检索历史 清除

摘要乳腺肿瘤作为女性生活中的常见疾病之一，在病理上可分为良性和恶性两种不同的肿瘤。近年来，由于人们自我保健意识的降低，乳腺肿瘤的发病率呈上升趋势。及时发现乳腺恶性肿瘤的病变趋势，可以为患者提供合理的治疗方案，提高治愈率，对于疾病治疗有着重要意义。因此，对乳腺肿瘤进行准确的诊断是乳腺疾病治疗过程中的一项重要研究内容。<br>　　影像学检查报告包含了对患者患病部位状态的详细描述，是医生判断患者病理情况的重要依据。乳腺患者在确诊前需要进行多种不同类型的影像学检查，包括超声、CT（计算机断层扫描）、钼靶、MRI（磁共振成像）。现有的乳腺肿瘤诊断预测算法大多基于单种检查报告，在进行影像学检查时，由于乳腺患者的身体状态变化以及医疗人员的经验水平差异，可能导致检查的结果不够准确，因此基于单种检查报告容易出现误诊的情况。同时，不同类型的影像学检查所侧重的检查点不同，可以反映不同方面的特征。因此，本文利用多种影像学检查报告文本，研究了基于多文本深度序列学习的乳腺肿瘤智能诊断模型与系统，主要包括构建了基于循环神经网络增量组合和基于双向层次注意力循环神经网络的乳腺肿瘤良恶性预测模型，并设计实现了乳腺肿瘤智能诊断系统。本文研究内容如下：<br>　　1）提出了基于循环神经网络增量组合的乳腺肿瘤良恶性预测模型。该模型首先使用 Word2vec 工具生成的文本词向量数据作为输入，接着使用多个循环神经网络分别对不同类型的检查报告进行特征提取，然后将所有报告的特征向量以增量方式进行组合，最后利用一个循环神经网络对组合后的特征进行分类并输出分类结果。实验结果验证了该模型的可行性和有效性。<br>　　2）提出了基于双向层次注意力循环神经网络的乳腺肿瘤良恶性预测模型。该模型首先使用具有注意力机制的双向循环神经网络对不同的检查报告进行特征提取，其中，双向层次注意力循环神经网络包含词语注意力机制和句子注意力机制，分别用于计算不同词语对结果的影响权重和不同句子对结果的影响权重。接着通过两个双向循环神经网络对乳腺患者的上下文信息即病史信息和个人基本信息进行特征提取，然后将检查报告的特征向量和上下文信息的特征向量进行组合，形成能够表示患者整体特征的高维度特征向量。最后使用一个循环神经网络进行分类。实验结果表明，注意力机制的加入以及上下文信息的综合利用有利于提高模型的性能。<br>　　3）设计并实现了一个基于多文本深度序列学习的乳腺肿瘤智能诊断系统。该系统接收用户输入的检查报告数据、病史信息以及个人基本信息数据，并根据这些数据做出乳腺肿瘤良恶性的预测。<br>　　本文的研究内容能够为医生的决策提供有效依据，提高乳腺患者的确诊率和治愈率，对乳腺疾病的治疗有着重要的意义。