本發(fā)明涉及創(chuàng)面檢測的，更具體的說是涉及一種創(chuàng)面分級模型的構(gòu)建方法及創(chuàng)面自分析系統(tǒng)。
背景技術(shù)：
1、隨著老齡化和糖尿病患病率的持續(xù)上升，慢性創(chuàng)面患者的數(shù)量正呈現(xiàn)出顯著的增長趨勢，慢性創(chuàng)面，也被稱為慢性潰瘍或慢性難愈性創(chuàng)面。國際創(chuàng)傷愈合學會對其的定義為：無法通過正常、有序、及時修復過程達到解剖和完整狀態(tài)的創(chuàng)面。在臨床實踐中，通常將經(jīng)過一個月正規(guī)治療后，仍未愈合且無愈合傾向的創(chuàng)面認定為慢性創(chuàng)面。
2、在傳統(tǒng)的創(chuàng)面評估工作中，主要依賴醫(yī)生的主觀判斷以及手動記錄的方式。然而，這種評估模式存在著較大的局限性。不同醫(yī)生之間由于專業(yè)背景、臨床經(jīng)驗以及個人認知等方面的差異，在對創(chuàng)面的大小、深度、顏色、滲出物等關(guān)鍵指標進行判斷時，往往會產(chǎn)生較大的主觀差異性，這無疑會對診斷的準確性和治療方案的合理性產(chǎn)生不利影響，此外，手動記錄的方式效率低下，且容易出現(xiàn)信息遺漏或錯誤，同時在數(shù)據(jù)的整理、分析以及存儲等方面也面臨著諸多困難；更為重要的是，這種傳統(tǒng)的評估方式存在明顯的延遲性，難以滿足遠程醫(yī)療、智能護理等現(xiàn)代醫(yī)療體系對于及時性和準確性的嚴格要求，在遠程醫(yī)療場景下，醫(yī)生無法實時、直觀地對患者的創(chuàng)面進行評估，只能依靠患者提供的有限信息來做出判斷，這大大增加了診斷的不確定性；而在智能護理中，缺乏客觀、準確且及時的創(chuàng)面評估數(shù)據(jù)，智能護理系統(tǒng)就難以發(fā)揮其應(yīng)有的作用，無法為患者提供精準、個性化的護理服務(wù)。
技術(shù)實現(xiàn)思路
1、針對現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提供一種創(chuàng)面分級模型的構(gòu)建方法及創(chuàng)面自分析系統(tǒng)，能夠?qū)崿F(xiàn)對不同類型創(chuàng)面?進行更加精準、全面和可解釋的分級評估。
2、為實現(xiàn)上述目的，本發(fā)明提供了如下技術(shù)方案：
3、一種創(chuàng)面分級模型的構(gòu)建方法，包括如下步驟：
4、創(chuàng)面多源數(shù)據(jù)采集步驟，獲取視覺相機拍攝創(chuàng)面得到彩色的創(chuàng)面圖像，并獲取創(chuàng)面圖像對應(yīng)的臨床文本描述數(shù)據(jù)和結(jié)構(gòu)化背景信息數(shù)據(jù)；
5、創(chuàng)面圖像特征提取步驟，將創(chuàng)面圖像通過特征提取策略進行紋理、顏色及輪廓邊緣的特征處理得到圖像特征向量；
6、臨床文本特征提取步驟，將臨床文本描述數(shù)據(jù)與結(jié)構(gòu)化背景信息數(shù)據(jù)通過文本清洗、分詞以及實體標注得到實體集合，再從實體集合中抽取每個單獨實體的上下文進行構(gòu)造拼接并輸入預設(shè)的創(chuàng)面文本語言模型后進行語義關(guān)系預測，根據(jù)預測結(jié)果篩選語義關(guān)系組，再根據(jù)實體和語義關(guān)系組構(gòu)建創(chuàng)面語義演化圖譜，將創(chuàng)面文本語言模型提取的非結(jié)構(gòu)全局語義向量與圖譜結(jié)構(gòu)語義表示進行融合得到文本嵌入；
7、多模態(tài)特征融合步驟，根據(jù)所述結(jié)構(gòu)化背景信息數(shù)據(jù)生成創(chuàng)面背景上下文向量，再根據(jù)所述創(chuàng)面背景上下文向量對圖像特征向量和文本特征向量分別進行動態(tài)加權(quán)，將加權(quán)后的圖像特征向量和文本特征向量拼接后融合得到融合特征向量；
8、分級模型構(gòu)建步驟，根據(jù)所述融合特征向量構(gòu)建分級模型。
9、進一步的，所述臨床文本描述數(shù)據(jù)反映醫(yī)護對患者創(chuàng)面以自然語言進行傷口描述記錄，所述結(jié)構(gòu)化背景信息數(shù)據(jù)包括創(chuàng)面部位、創(chuàng)面病程天數(shù)、創(chuàng)面類型編碼以及患者合并癥狀態(tài)。
10、進一步的，所述臨床文本特征提取步驟中包括實體提取策略，所述實體提取策略包括文本預處理子步驟和實體識別子步驟；
11、所述文本預處理子步驟，將所述臨床文本描述數(shù)據(jù)通過預設(shè)的知識庫進行術(shù)語切分，并進行實體詞組統(tǒng)一得到臨床文本序列；
12、所述實體識別子步驟，將所述臨床文本序列通過預設(shè)的知識庫和預設(shè)的創(chuàng)面文本語言模型進行實體標注得到五元組，所述五元組包括實體詞組、實體所在的解剖部位、實體對應(yīng)的時間點以及實體預估相關(guān)的診斷等級，根據(jù)若干組五元組構(gòu)建實體集合。
13、進一步的，所述臨床文本特征提取步驟中包括有關(guān)系抽取策略，所述關(guān)系抽取策略包括關(guān)系類型定義子步驟、詞組拼接子步驟和關(guān)系語義篩選子步驟；
14、所述關(guān)系類型定義子步驟，定義語義關(guān)系類別集合，在所述實體集合中任意抽取兩個實體，并匹配語義關(guān)系類別集合中的關(guān)系類型組合得到語義關(guān)系組；
15、所述詞組拼接子步驟，將語義關(guān)系組中每對實體在原文本中抽取相對上下文，并構(gòu)造拼接得到格式段；
16、所述關(guān)系語義篩選子步驟，將格式段輸入預設(shè)的創(chuàng)面文本語言模型中得到句級上下文嵌入，再將句級上下文嵌入輸入多分類器進行語義關(guān)系預測得到預測概率，將預測概率大于預設(shè)閾值的語義關(guān)系組記為關(guān)系三元組。
17、進一步的，所述創(chuàng)面語義演化圖譜包括節(jié)點集、邊集和屬性矩陣，所述節(jié)點集由實體集合中若干個實體映射得到，所述邊集由關(guān)系三元組轉(zhuǎn)換得到，所述屬性矩陣反映邊集中邊的屬性。
18、進一步的，所述臨床文本特征提取步驟中包括有圖譜更新策略，所述圖譜更新策略包括時序圖神經(jīng)網(wǎng)絡(luò)推理子步驟，
19、所述時序圖神經(jīng)網(wǎng)絡(luò)推理子步驟，將所述節(jié)點集中的節(jié)點進行嵌入向量構(gòu)造，再經(jīng)過一層非線性映射得到節(jié)點初始，所述節(jié)點初始包括向量詞、實體類型嵌入、診斷等級嵌入和時間嵌入，將所述節(jié)點初始通過時序圖注意力網(wǎng)絡(luò)經(jīng)l層傳播計算得到語義表示集合。
20、進一步的，所述圖譜更新策略還包括因果語義注意力讀出子步驟，
21、所述因果語義注意力讀出子步驟，將所述語義表示集合中每個節(jié)點的結(jié)構(gòu)嵌入和與其對應(yīng)的診斷等級嵌入作為注意力計算的輸入，構(gòu)建因果注意對，再通過可訓練注意力向量作用于因果關(guān)系對得到注意力得分，將注意力得分通過激活函進行歸一化得到注意力權(quán)重，以注意力權(quán)重對所有節(jié)點初始進行加權(quán)聚合得到圖譜結(jié)構(gòu)語義表示。
22、進一步的，所述多模態(tài)特征融合步驟中包括有融合策略，所述融合策略包括將動態(tài)加權(quán)后的圖像特征向量和文本特征向量進行拼接得到拼接表示，再將所述拼接表示輸入跨模態(tài)?transformer?編碼器內(nèi)通過多頭注意力機制得到融合特征向量。
23、一種創(chuàng)面自分析系統(tǒng)，包括色卡，所述色卡包括手持區(qū)和顏色區(qū)，所述顏色區(qū)內(nèi)設(shè)有至少三個標記點以及若干塊不同顏色的色塊，還包括
24、圖像獲取模塊，獲取視覺相機拍攝得到包括有色卡和創(chuàng)面的圖像作為待處理圖像；
25、色卡校準模塊，在所述待處理圖像中對色卡區(qū)進行識別，并根據(jù)三個標記點的位置進行色卡區(qū)的角度偏轉(zhuǎn)得到校正圖像；
26、圖像處理模塊，根據(jù)所述校正圖像通過邊緣輪廓算法分割得到顏色區(qū)域，并對所述顏色區(qū)域中每一色塊顏色與預設(shè)的標準色卡中的每一色塊顏色進行映射得到色差，根據(jù)所述色差對待處理圖像進行顏色矯正得到待分析圖像；
27、創(chuàng)面分析模塊，調(diào)取待分析圖像對應(yīng)的臨床文本描述數(shù)據(jù)和結(jié)構(gòu)化背景信息數(shù)據(jù)，并與所述待分析圖像同步輸入分級模型中輸出創(chuàng)面等級。
28、進一步的，所述圖像處理模塊中包括有顏色映射策略，所述顏色映射策略包括將每一色塊顏色與預設(shè)的標準色卡中的每一色塊顏色通過三通道獨立多項式回歸方法構(gòu)建顏色映射關(guān)系得到色差。
29、本發(fā)明的有益效果：
30、1、融合了創(chuàng)面圖像和臨床文本兩類異質(zhì)信息，通過引入上下文感知的跨模態(tài)注意力融合機制，實現(xiàn)了模態(tài)間語義協(xié)同建模與互補信息強化，顯著提升了對復雜創(chuàng)面分級特征（如顏色-滲出-結(jié)構(gòu)-時間）的綜合判別能力，解決了傳統(tǒng)圖像單模建模無法解釋滲出程度、病程進展等診斷關(guān)鍵信息的問題。
31、2、通過創(chuàng)面語義演化圖譜建模機制與圖神經(jīng)網(wǎng)絡(luò)推理，能夠?qū)⒎墙Y(jié)構(gòu)化文本描述轉(zhuǎn)化為結(jié)構(gòu)清晰的醫(yī)學實體關(guān)系圖，通過圖譜中時間、分級、病理邏輯的傳播過程建模，有效捕捉創(chuàng)面狀態(tài)演變規(guī)律，并提升系統(tǒng)對“輕癥/重癥”邊界狀態(tài)的識別能力，為高風險等級的早期預警提供支持，在各特征提取與融合階段均引入了創(chuàng)面背景上下文嵌入向量（如病程時長、解剖部位、創(chuàng)面類型等），實現(xiàn)了信息處理路徑的場景適應(yīng)性調(diào)控，使模型能夠根據(jù)創(chuàng)面所在部位、發(fā)展時間等上下文要素動態(tài)調(diào)整圖像通道響應(yīng)與文本語義關(guān)注焦點，顯著增強系統(tǒng)對不同臨床情境的泛化能力。
32、3、通過融合圖像視覺特征與文本臨床描述，構(gòu)建統(tǒng)一的跨模態(tài)診斷表示向量，較傳統(tǒng)僅基于圖像的u-net?+?mlp方法，在真實創(chuàng)面分級任務(wù)中將整體分類準確率提高了約14.2%（從72.5%提升至86.7%）。
33、4、通過色卡與創(chuàng)面的結(jié)合，以確保分析系統(tǒng)對創(chuàng)面的顏色精準判斷，具體的，比對實際拍攝圖像中的色卡與模版色卡的色差，能有效的消除因拍攝角度、光照條件等因素導致的顏色偏差，保證了圖像中創(chuàng)面顏色信息的真實性，為后續(xù)基于顏色特征的創(chuàng)面分析提供了可靠的數(shù)據(jù)基礎(chǔ)，另外，設(shè)計自分析系統(tǒng)無論是在醫(yī)院的專業(yè)診療環(huán)境，還是在患者居家進行自我監(jiān)測的場景中，只要按照規(guī)范使用帶有色卡的拍攝設(shè)備，系統(tǒng)都能有效地對創(chuàng)面圖像進行處理和分析，輸出可靠的創(chuàng)面等級結(jié)果，為遠程醫(yī)療、家庭護理等領(lǐng)域提供了有力的技術(shù)支持。