基于深度学习的肾脏肿瘤切除辅助系统的制作方

本发明涉及肾脏肿瘤切除辅助，具体是指基于深度学习的肾脏肿瘤切除辅助系统。背景技术：1、手术风险评估是通过综合考量患者的健康状况、手术类型以及相关因素来量化手术风险的过程，通过系统性分析，帮助医生个性化制定手术方案，最大限度地减少患者的手术风险，提升手术的安全性和成功率。2、然而，传统的手术风险评估方法具有依赖静态数据和主观经验，无法充分考虑到手术过程中动态变化的生理状态和复杂情况，影响评估的可靠性的技术问题；传统的手术风险评估方法，缺乏对新数据和变化临床环境的及时适应性，在面对新的风险因素或治疗进展时，无法及时反映风险情况，限制了评估的准确性和实时性的技术问题。技术实现思路1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于深度学习的肾脏肿瘤切除辅助系统，针对传统的手术风险评估方法具有依赖静态数据和主观经验，无法充分考虑到手术过程中动态变化的生理状态和复杂情况，影响评估的可靠性的技术问题，本方案创造性地采用了回声状态网络进行手术风险评估，能够实时捕捉患者的生理状态变化和手术过程中的风险信号，不受静态数据的限制，提高了评估的可靠性；针对传统的手术风险评估方法，缺乏对新数据和变化临床环境的及时适应性，在面对新的风险因素或治疗进展时，无法及时反映风险情况，限制了评估的准确性和实时性的技术问题，本方案创造性地采用了学习烹饪优化算法进行超参数优化，能够动态地优化模型的超参数以适应不同的数据分布和病理特征，提高了模型的泛化能力和适应性。2、本发明采取的技术方案如下：本发明提供的基于深度学习的肾脏肿瘤切除辅助系统，包括数据采集模块、数据预处理模块、手术风险评估模型构建模块、超参数优化模块和肾脏肿瘤切除辅助模块；3、所述数据采集模块，通过数据采集，得到历史患者数据集和当前患者数据集；4、所述数据预处理模块，采用数据清洗、特征提取、数据归一化、数据标注和数据分割对所述历史患者数据集进行预处理，得到手术风险评估训练集和手术风险评估测试集；5、所述手术风险评估模型构建模块，构建回声状态网络模型，得到手术风险评估模型；6、所述超参数优化模块，采用学习烹饪优化算法对所述手术风险评估模型进行超参数优化，并进行模型训练，得到优化后的手术风险评估模型；7、所述肾脏肿瘤切除辅助模块，具体为采用所述优化后的手术风险评估模型进行手术风险评估，得到手术风险参考数据，实现肾脏肿瘤切除辅助。8、进一步地，在数据采集模块中，所述历史患者数据集，具体包括历史患者基本信息、历史患者病史、历史患者症状数据、历史患者体格检查数据、历史患者影像学检查数据和历史患者实验室检查数据，所述当前患者数据集，具体包括当前患者基本信息、当前患者病史、当前患者症状数据、当前患者体格检查数据、当前患者影像学检查数据和当前患者实验室检查数据。9、进一步地，在数据预处理模块中，所述数据清洗，具体为去除缺失值和异常值，所述特征提取，具体为提取特征并转换为向量形式，所述数据归一化，具体为采用最小-最大归一化法进行处理，所述数据标注，具体为标注数据为低风险、中风险和高风险，将标注作为数据标签，所述数据分割，具体为对经过所述数据清洗、所述特征提取、所述数据归一化和所述数据标注处理后的所述历史患者数据集进行分割，得到手术风险评估训练集和手术风险评估测试集。10、进一步地，在手术风险评估模型构建模块中，所述回声状态网络模型，具体包括输入层、储备池和多级风险输出层；11、所述手术风险评估模型构建模块，具体内容包括模型初始化、储备池状态更新、训练多级风险输出层和模型构建；12、所述模型初始化，内容包括生成输入权重矩阵和生成储备池权重矩阵；13、所述生成输入权重矩阵，用于随机初始化输入权重矩阵，具体为从均匀分布u(-0.5,0.5)中随机抽取权重值，生成大小为n×d的输入权重矩阵，其中，n表示储备池中神经元的数量，d表示输入特征向量的维度；14、所述生成储备池权重矩阵，用于随机初始化储备池权重矩阵，内容包括：15、生成初始储备池权重矩阵，具体为从均匀分布u(-1,1)中随机抽取权重值，生成大小为n×n的初始储备池权重矩阵；16、生成一个与初始储备池权重矩阵大小相同的随机权重矩阵，具体为从均匀分布u(0,1)中随机抽取权重值，生成大小为n×n的随机权重矩阵；17、初始储备池权重矩阵稀疏化，具体为设定连接概率，对于所述随机权重矩阵中元素大于连接概率的位置，将对应位置的所述初始储备池权重矩阵的元素设置为0，得到储备池权重矩阵；18、所述储备池状态更新，所用公式如下：19、；20、式中，表示第t个时间步的储备池状态，表示泄漏率，表示第t-1个时间步的储备池状态，表示sigmoid函数，表示输入权重矩阵，表示第t个时间步的回声状态网络模型的输入特征，表示储备池权重矩阵；21、所述训练多级风险输出层，内容包括：22、构造存储矩阵，表示如下：23、；24、式中，h表示存储矩阵，表示第1个时间步的储备池状态，表示第2个时间步的储备池状态，表示第ts个时间步的储备池状态，表示第1个时间步的回声状态网络模型的输入特征，表示第2个时间步的回声状态网络模型的输入特征，表示第ts个时间步的回声状态网络模型的输入特征，ts表示时间步总数；25、设计多级风险输出层，具体为构造低风险输出单元、中风险输出单元、高风险输出单元和整合单元，所述低风险输出单元，用于输出回声状态网络模型的输入特征属于低风险的概率，所述中风险输出单元，用于输出回声状态网络模型的输入特征属于中风险的概率，所述高风险输出单元，用于输出回声状态网络模型的输入特征属于高风险的概率，所述整合单元，用于整合所述低风险输出单元的输出、所述中风险输出单元的输出和所述高风险输出单元的输出；26、寻找最优输出权重矩阵，所用公式如下：27、；28、式中，表示低风险输出权重矩阵，表示中风险输出权重矩阵，表示高风险输出权重矩阵，表示tikhonov正则化因子，i表示大小为(n+d)×(n+d)的单位矩阵，表示低风险期望输出，表示中风险期望输出，表示高风险期望输出，t表示转置操作；29、计算多级风险输出层输出，所用公式如下：30、；31、式中，表示低风险输出单元，表示低风险输出单元的偏置向量，表示中风险输出单元，表示中风险输出单元的偏置向量，表示高风险输出单元，表示高风险输出单元的偏置向量，表示softmax函数；32、整合得到模型输出，表示如下：33、；34、式中，表示回声状态网络模型的输出；35、所述模型构建，具体为通过所述模型初始化、所述储备池状态更新和所述训练多级风险输出层，进行手术风险评估模型的构建，得到所述手术风险评估模型。36、进一步地，在超参数优化模块中，具体为采用学习烹饪优化算法对所述手术风险评估模型进行超参数优化，所述超参数优化模块，具体内容包括初始化、更新候选解和进行模型训练；37、所述初始化，内容包括：38、确定搜索空间，表示如下：39、；40、式中，sbo表示搜索空间，表示第1个候选解，表示第i个候选解，表示第个候选解，表示候选解的数量，表示搜索维度的数量；41、初始化位置，所用公式如下：42、；43、式中，表示第i个候选解的第j个搜索维度，表示范围在[0,1]内的一个随机值，表示第j个搜索维度的上界，表示第j个搜索维度的下界，i表示候选解的索引，j表示候选解的搜索维度的索引；44、所述更新候选解，内容包括初次烹饪学习和再次烹饪学习；45、所述初次烹饪学习，具体为构造母单元集和子单元集，并采用所述母单元集进行所述子单元集的优化，所述母单元用于表示目标函数值降序排名前名的候选解，所述子单元用于表示非目标函数值降序排名前名的候选解，所述目标函数值为所述手术风险评估模型在所述手术风险评估训练集上的准确率，其中，表示所述母单元的数量，所述初次烹饪学习，内容包括：46、计算母单元数，所用公式如下：47、；48、式中，表示母单元的数量，it表示当前迭代次数，表示迭代总次数；49、更新位置，具体为计算初次烹饪学习中每个搜索维度的新位置，若搜索维度的新位置使目标函数值增大，则采用新位置更新旧位置，所述计算每个搜索维度的新位置，所用公式如下：50、；51、式中，表示第i个候选解的第j个搜索维度在初次烹饪学习的新位置，表示范围在[0,1]内的一个随机值，k表示范围在集合中的随机值，表示第k个母单元的第j个搜索维度，表示范围在集合中的一个随机值，表示目标函数，表示第k个母单元；52、所述再次烹饪学习，具体为构造厨师单元集，并采用所述厨师单元集进行所述母单元集和所述子单元集的优化，所述厨师单元，用于表示所述母单元集中目标函数值降序排名前名的母单元，所述再次烹饪学习，内容包括：53、计算厨师单元数，所用公式如下：54、；55、式中，表示厨师单元的数量；56、更新位置，具体为计算再次烹饪学习中每个搜索维度的新位置，若搜索维度的新位置使目标函数值增大，则采用新位置更新旧位置，所述计算每个搜索维度的新位置，所用公式如下：57、；58、式中，表示第i个候选解的第j个搜索维度在再次烹饪学习的新位置，表示范围在[0,1]内的一个随机值，表示范围在[0,1]内的一个随机值，d表示范围在集合中的随机值，表示第d个厨师单元的第j个搜索维度，表示范围在集合中的一个随机值，表示范围在集合中的一个随机值，表示第d个厨师单元；59、所述进行模型训练，具体为通过所述初始化和所述更新候选解，对所述手术风险评估模型进行超参数优化，并采用所述手术风险评估训练集进行模型训练，采用所述手术风险评估测试集验证模型性能，得到优化后的手术风险评估模型。60、进一步地，所述肾脏肿瘤切除辅助模块，具体为采用所述优化后的手术风险评估模型基于所述当前患者数据集进行手术风险评估，得到手术风险参考数据，并对手术风险为中风险和高风险进行预警，帮助医生制定手术方案，实现肾脏肿瘤切除辅助。61、采用上述方案本发明取得的有益效果如下：62、（1）针对传统的手术风险评估方法具有依赖静态数据和主观经验，无法充分考虑到手术过程中动态变化的生理状态和复杂情况，影响评估的可靠性的技术问题，本方案创造性地采用了回声状态网络进行手术风险评估，能够实时捕捉患者的生理状态变化和手术过程中的风险信号，不受静态数据的限制，提高了评估的可靠性。63、（2）针对传统的手术风险评估方法，缺乏对新数据和变化临床环境的及时适应性，在面对新的风险因素或治疗进展时，无法及时反映风险情况，限制了评估的准确性和实时性的技术问题，本方案创造性地采用了学习烹饪优化算法进行超参数优化，能够动态地优化模型的超参数以适应不同的数据分布和病理特征，提高了模型的泛化能力和适应性。