技术摘要：
本发明基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型，包括构建多分辨率3D多分类深度学习网络模型；构建机器学习多分类模型；利用CT影像训练构建的多分辨率3D深度学习模型并得出权值；利用肺部肿瘤标志物信息训练构建的机器学习多分类模型并得  全部
背景技术：
对肺部疾病患者进行及早的肺结节检测和治疗是降低肺癌死亡率的关键措  施。 传统方式的肺结节良恶性的诊断大多是临床医学工作者结合肺部CT影像学  检查以及肺部 肿瘤标志物的检查，共同对肺结节进行良恶性诊断。这需要依赖  医学工作者个人临床经 验，增加其工作压力，且由于医生的个人经验水平参差  不齐，传统的诊断方法容易受到医 生个人经验水平的影响，诊断误差较大。临  床中肺结节的诊断只能通过肉眼辨别肺结节的 良恶性，而不能识别肺结节的具  体病理类型做分类诊断。
技术实现要素：
本发明的目的在于针对上述现有肺结节的良恶性诊断实际工作效率低、个  人临 床经验依赖性高，不能同时对肺结节的具体病理类型做分类诊断的问题，  提供一种基于人 工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊 断模型。 本发明基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的  诊断 模型包括以下步骤： S1：构建多分辨率3D多分类深度学习网络的模型； S2：采用随机梯度下降法，利用多种分辨率的CT影像数据训练S1中的多  分类深度 学习网络模型并保存最优模型的权值； S3：构建多层感知Softmax机器学习的多分类模型； S4：采用肺部肿瘤标志物信息训练S3中构建的多层感知Softmax机器学  习的多分 类模型并保存最优模型的权值； S5：在S1中构建多分辨率3D多分类深度学习网络的模型和S3中构建多  层感知 Softmax机器学习的多分类模型尾端Softmax层进行权值融合，构建基于  人工智能的融合 肺部CT影像和肿瘤标志物两种模态信息的融合网络模型； S6：通过迁移学习迁移S2中最优深度学习网络模型的权值和S4中保存的  最优机 器学习网络模型的权值，并加载到在S5中构建的融合网络模型中； S7：对S6中构建的模型进行分类准确率以及受试者工作特性曲线验证。 上述方案中，步骤S1中利用双通路网络(Dual  PathNetwork,DPN)结构为主 网络， 分别构建三个网络结构相同的单分辨率网络，三个单分辨率网络的输入 的分辨率分别为 20×20×20、30×30×30、45×45×45。 上述方案中，步骤S2中将三种分辨率的CT影像数据集划分为训练集、验  证集和测 试集三部分，将训练集中对应的分辨率数据输入到多分辨率3D多分类  深度学习网络模型 5 CN 111584073 A 说　明　书 2/5 页 中去，并采用随机梯度下降法对模型进行训练。深度学习网  络参数初始化采用He初始化， 初始化学习率设置为0.003并每过100轮迭代降  低30％，网络批量(batch-size)大小采用 16，损失函数选取交叉熵损失函数。根  据验证集的准确率收敛趋势和迭代轮数判断算法是 否收敛，若未收敛直至收敛  后保存最优网络的模型参数。 上述方案中，步骤S3中利用机器学习中的多层感知(Multi-layer  Perception ,  MLP)算法，构建包含输入层、三层隐藏层、输出层的多层感知分类器，在输出  层采用 Softmax分类算法。 上述方案中，步骤S4中，将包含癌胚抗原(CEA)、糖类抗原50(CA50)、糖  类抗原125 (CA125)、糖类抗原242(CA242)、糖类抗原72-4(CA72-4)、非小细胞  癌相关抗原(Cyfra21- 1)、神经元特异性烯醇化酶(NSE)、血清胃泌素释放肽前体  (ProGRP)以及鳞状细胞癌抗原 (SCCA)九种肺部肿瘤标志物特征的数据集，按一  定比例划分为训练集、验证集和测试集。 将训练集数据输入到构建的多层感知  Softmax多分类模型中，采用随机梯度下降法进行模 型训练，初始化学习率为  0.001，每100次迭代衰减一次，网络批量(batch-size)大小为16。 根据验证集的 准确率收敛趋势判断算法是否收敛，并将收敛模型的最优权值进行保存。 上述方案中，步骤S5中将多分辨率3D多分类深度学习网络模型和多层感  知 Softmax的机器学习网络模型的尾端按照比例系数λ1、λ2进行融合从而得到  融合网络模型 的输出概率值pf，具体计算公式如(1)所示： 其中，di代表第i个样本的输入， 代表网络模型的预测结果，k代表模型  分类器 所分类的类别数，λn代表在尾端的模型融合过程中的权值参数。 本发明的有益效果在于：能够利用人工智能的方法融合实际临床中肺结节  早期 良恶性检测的两种模态信息，放射科医师只需要输入肺部CT影像以及肺部  肿瘤标志物的 检测结果，就能得出肺结节具体的病理类型。相比传统的人工诊  断肺结节良恶性的方式， 本发明不仅能提高诊断效率，并且能综合各种模态信  息，迅速对肺结节的具体病理类型做 出诊断。 附图说明 图1是20×20×20低分辨率3D双通路网络示意图。 图2是30×30×30中分辨率3D双通路网络示意图。 图3是45×45×45高分辨率3D双通路网络示意图。 图4是多分辨率3D多分类深度学习网络模型示意图。 图5是多分辨3D数据处理示意图。 图6是双通路单元(DPN  unit)结构示意图。 图7多层感知Softmax多分类机器学习模型示意图。 图8是融合肺部CT影像和肿瘤标志物两种模态信息的融合网络模型示意图。 6 CN 111584073 A 说　明　书 3/5 页