本發(fā)明涉及醫(yī)療人工智能，尤其涉及一種使用深度學(xué)習(xí)的高分辨率食管測壓圖像分析方法。
背景技術(shù)：
1、隨著芝加哥分類4.0(chicago?classification?version?4.0，ccv4.0)成為國際標(biāo)準(zhǔn)，急需借助深度學(xué)習(xí)和大模型技術(shù)實(shí)現(xiàn)hrm圖像(高分辨率食管測壓圖像)的標(biāo)準(zhǔn)化、自動化解讀，從而提升診斷效率，減少臨床醫(yī)生負(fù)擔(dān)。
2、具體的，現(xiàn)有高分辨率測壓設(shè)備包括manoscan?360、manoscan?3.0、solar?gi?hrm系統(tǒng)及消化道動力檢測系統(tǒng)(型號：gap-24a)等，所能夠?qū)崿F(xiàn)自動化分析技術(shù)，存在部分局限性，如ai模型的邏輯不透明，醫(yī)生無法直接查看算法判斷依據(jù)，降低臨床信任度等缺陷。
3、此外，國內(nèi)多數(shù)測壓設(shè)備由分析軟件生成的測量相關(guān)參數(shù)仍依賴于手動標(biāo)記解剖和生理位置(如食管上括約肌、食管下括約肌等)，并依照ccv4.0診斷流程判斷病理類型。這一過程不僅耗時(shí)長、依賴經(jīng)驗(yàn)，還存在主觀誤差。部分傳統(tǒng)ai方法采用基于lstm的時(shí)序模型或單指標(biāo)閾值分類器進(jìn)行部分自動化判斷，但通常僅覆蓋ccv3.0階段的簡化分類規(guī)則，無法適應(yīng)ccv4.0對復(fù)雜病理模式和多指標(biāo)協(xié)同分析的要求。此外，現(xiàn)有模型普遍缺乏對hrm圖像空間-時(shí)序全局依賴的建模能力，也無法響應(yīng)自然語言形式的醫(yī)生查詢。因此，hrm的解讀會受到評估者之間的差異和評估者相關(guān)的不準(zhǔn)確性，這受到評估者經(jīng)驗(yàn)和專業(yè)知識的影響。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明公開了一種使用深度學(xué)習(xí)的高分辨率食管測壓圖像分析方法，以克服上述技術(shù)問題。
2、為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：
3、一種使用深度學(xué)習(xí)的高分辨率食管測壓圖像分析方法，包括如下步驟：
4、s1：獲取患者的食管測壓圖像序列；并根據(jù)臨床醫(yī)生針對食管測壓圖像序列所做出的初步的對食管動力異常的推斷結(jié)果，采用食管動力診斷大模型，獲取自然語言查詢文本；所述自然語言查詢文本用于描述患者所表現(xiàn)出的食管動力類型和動力異常的疾病類型；
5、s2：根據(jù)所述食管測壓圖像序列和自然語言查詢文本，采用基于大語言模型的多模態(tài)診斷模型，獲取融合了診斷請求與結(jié)構(gòu)化分割提示的文本；
6、s3：根據(jù)所述食管測壓圖像序列，采用多模態(tài)診斷模型，獲取用于定位食管測壓圖像中的食管動力異常區(qū)域的分割掩碼；
7、s4：采用基于大語言模型構(gòu)建的多模態(tài)診斷模型的總損失函數(shù)，對多模態(tài)診斷模型進(jìn)行訓(xùn)練，以根據(jù)訓(xùn)練后的多模態(tài)診斷模型、融合了診斷請求與結(jié)構(gòu)化分割提示的文本和用于定位食管測壓圖像中的食管動力異常區(qū)域的分割掩碼，獲取待進(jìn)行分析的食管測壓圖像的預(yù)測的診斷推理流程及解釋文本，為臨床醫(yī)生提供診斷建議。
8、進(jìn)一步的，獲取用于定位食管測壓圖像中的食管動力異常區(qū)域的分割掩碼方法如下：
9、s31：采用多模態(tài)診斷模型，獲取指示在食管測壓圖像序列中的第i張食管測壓圖像上進(jìn)行分割操作的token，以確定在第i張食管測壓圖像上進(jìn)行分割操作的token對應(yīng)的隱藏層；
10、s32：采用在第i張食管測壓圖像上進(jìn)行分割操作的token對應(yīng)的隱藏層，獲取分割嵌入向量，所采用公式如下；
11、h_segi＝γ(h～_segi)
12、式中：h_segi表示第i張食管測壓圖像的分割嵌入向量；γ為可訓(xùn)練的投影模塊；h～_segi表示第i張食管測壓圖像上進(jìn)行分割操作的token對應(yīng)的隱藏層；
13、s33：根據(jù)所述食管測壓圖像序列，獲取高維視覺特征表示f_i，所采用公式如下；
14、f_i＝f_enc(xi)
15、式中：f_i表示第i張食管測壓圖像的高維視覺特征表示；f_enc(·)表示視覺骨干網(wǎng)絡(luò)；xi表示第i張食管測壓圖像；
16、s33：根據(jù)所述高維視覺特征表示和分割嵌入向量，獲取用于定位食管測壓圖像中的食管動力異常區(qū)域的分割掩碼，所采用公式如下；
17、m～_i＝f_dec(h_segi,f_i)
18、式中：m～_i表示用于定位第i張食管測壓圖像中的食管動力異常區(qū)域的分割掩碼；f_dec(·)表示解碼器。
19、進(jìn)一步的，所述基于大語言模型構(gòu)建的多模態(tài)診斷模型的總損失函數(shù)表示如下：
20、l＝λ_txt×l_txt+λ_mask×l_mask
21、式中：l表示基于大語言模型構(gòu)建的多模態(tài)診斷模型的總損失函數(shù)；λ_txt表示文本生成損失的權(quán)重系數(shù)；l_txt表示文本生成損失；λ_mask表示分割損失的權(quán)重系數(shù)；l_mask表示生成的分割掩碼損失；
22、其中，l_txt＝ce(y_hat_txt,y_txt)
23、式中：ce(·)表示交叉熵?fù)p失；y_hat_txt表示融合了診斷請求與結(jié)構(gòu)化分割提示的文本；y_txt表示實(shí)際的文本標(biāo)注；
24、l_mask＝λ_bce×bce(m～_i,m)+λ_dice×dice(m～_i,m)
25、其中，λ_bce表示二值交叉熵?fù)p失的權(quán)重系數(shù)；bce(·)表示二值交叉熵?fù)p失；m～_i是用于定位第i張食管測壓圖像中的食管動力異常區(qū)域的分割掩碼，m是第i張食管測壓圖像的真實(shí)標(biāo)注掩碼；λ_dice表示表示dice損失的權(quán)重系數(shù)；dice(·)表示基于預(yù)測掩碼與真實(shí)掩碼之間的dice系數(shù)構(gòu)建的損失函數(shù)。
26、進(jìn)一步的，所述食管動力類型包括蠕動失敗、弱收縮、正常蠕動、片段收縮、早熟型收縮、高收縮、全食管增壓；
27、所述動力異常的疾病類型包括：遠(yuǎn)端食管痙攣、賁門失弛緩癥、高收縮食管、失蠕動、無效食管動力。
28、進(jìn)一步的，所述解釋文本中描述了出現(xiàn)動力異常的食管測壓圖像，同時(shí)描述了所述食管測壓圖像中的動力異常的類別。
29、有益效果：本發(fā)明的一種使用深度學(xué)習(xí)的高分辨率食管測壓圖像分析方法，首先采用食管動力診斷大模型，根據(jù)臨床醫(yī)生針對食管測壓圖像序列所做出的初步的對食管動力異常的推斷結(jié)果，獲取自然語言查詢文本，然后采用基于大語言模型的多模態(tài)診斷模型，獲取融合了診斷請求與結(jié)構(gòu)化分割提示的文本和用于定位食管測壓圖像中的食管動力異常區(qū)域的分割掩碼，采用損失函數(shù)訓(xùn)練多模態(tài)診斷模型，獲得預(yù)測的診斷推理流程及解釋文本。本發(fā)明支持自然語言診斷請求與圖文聯(lián)合推理，自動為圖像中相關(guān)區(qū)域生成用于定位食管測壓圖像中的食管動力異常區(qū)域的分割掩碼，結(jié)合大語言模型的推理路徑，輸出對應(yīng)解釋性文本，幫助醫(yī)生追蹤診斷依據(jù)，增強(qiáng)系統(tǒng)的透明性與信賴度。能夠適配ccv4.0標(biāo)準(zhǔn)的多分類結(jié)構(gòu)，所預(yù)測的解釋文本中所描述的動力學(xué)異常的類別，涵蓋ccv4.0標(biāo)準(zhǔn)的多個(gè)類別，具備高度可擴(kuò)展性。
1.一種使用深度學(xué)習(xí)的高分辨率食管測壓圖像分析方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種使用深度學(xué)習(xí)的高分辨率食管測壓圖像分析方法，其特征在于，獲取用于定位食管測壓圖像中的食管動力異常區(qū)域的分割掩碼方法如下：
3.根據(jù)權(quán)利要求2所述的一種使用深度學(xué)習(xí)的高分辨率食管測壓圖像分析方法，其特征在于，所述基于大語言模型構(gòu)建的多模態(tài)診斷模型的總損失函數(shù)表示如下：
4.根據(jù)權(quán)利要求1所述的一種使用深度學(xué)習(xí)的高分辨率食管測壓圖像分析方法，其特征在于，所述食管動力類型包括蠕動失敗、弱收縮、正常蠕動、片段收縮、早熟型收縮、高收縮、全食管增壓；
5.根據(jù)權(quán)利要求1所述的一種使用深度學(xué)習(xí)的高分辨率食管測壓圖像分析方法，其特征在于，所述解釋文本中描述了出現(xiàn)動力異常的食管測壓圖像，同時(shí)描述了所述食管測壓圖像中的動力異常的類別。