一种基于大数据和机器学习的新生儿肺脏超声智能分析系统的制作方法

本发明涉及医疗器械，尤其涉及一种基于大数据和机器学习的新生儿肺脏超声智能分析系统。

背景技术：

1、现有新生儿肺脏超声图像的相干性会形成散斑噪声，散斑噪声会覆盖在新生儿肺脏超声图像上并成为新生儿肺脏超声图像的主要图像特征，因此散斑噪声会大大降低新生儿肺脏超声图像的质量；同时，对于新手超声医生的超声图像的质量，一直是由经验丰富的超声医生来检查评估，评估结果存在误差，且效率较低。

2、现有技术中，还存在以下的技术缺陷：

3、1.数据来源单一和数据量有限，传统的新生儿肺脏疾病诊断主要依赖于单一设备或单一医院的数据，这限制了数据的多样性和量级，导致诊断结果可能缺乏广泛的适用性和高度的精确性。

4、2.人工诊断的主观性和误差，目前新生儿肺脏疾病的诊断很大程度上依赖于医生的经验和主观判断，这可能导致诊断的不一致性，尤其是在医疗资源较为匮乏的地区，医生的经验和水平差异可能对诊断结果产生较大影响。

5、3.缺乏实时监测和远程诊断支持，在许多情况下，对新生儿肺部健康状况的监测无法实现实时和持续性，尤其是在偏远地区。此外，远程诊断支持不足，限制了高质量医疗资源的扩展能力和及时性。

6、4.诊断反馈和系统更新缓慢，传统的诊断工具和方法往往缺乏有效的反馈机制和快速更新能力，使得诊断工具难以根据最新的临床数据和研究成果进行迅速更新和优化。

7、5.自动化和智能化程度不足，尽管有一些自动化工具已经被用于医学影像的解析，但这些工具通常缺乏针对特定应用(如新生儿肺脏疾病诊断)的优化，且智能化程度不足，未能充分利用最新的机器学习和大数据技术。

8、为了解决本领域普遍存在智能分析不准确、智能程度低、辅助诊断和反馈时效性差、缺乏主动监控和干预、数据来源少和评估手段差等等问题，作出了本发明。

技术实现思路

1、本发明的目的在于，针对目前所存在的不足，提出了一种基于大数据和机器学习的新生儿肺脏超声智能分析系统。

2、为了克服现有技术的不足，本发明采用如下技术方案：

3、一种基于大数据和机器学习的新生儿肺脏超声智能分析系统，所述新生儿肺脏超声智能分析系统包括服务器，所述新生儿肺脏超声智能分析系统还包括数据采集模块、机器学习模块、结果输出模块、反馈学习模块、分析模块，所述服务器分别与所述数据采集模块、机器学习模块、结果输出模块、反馈学习模块和分析模块连接；

4、所述数据采集模块采集从不同来源收集得到的新生儿肺脏超声影像数据，所述机器学习模块根据所述数据采集模块采集得到的新生儿肺脏超声影像数据进行评估形成评估结果，所述结果输出模块将机器学习模块的评估结果向医护人员进行输出，所述反馈学习模块采集所述医护人员的反馈数据，并触发所述机器学习模块进行自我优化，所述分析模块将所述机器学习模块的评估结果进行分析，并生成分析报告；

5、所述机器学习模块包括特征提取单元和模型训练单元，所述特征提取单元从所述数据采集模块中提取硬性新生儿肺脏健康的关键特征，所述模型训练单元利用提取得到的关键特征通过深度学习网络进行模型训练，以评估和确定新生儿肺脏超声的差异。

6、可选的，所述数据采集模块包括数据采集单元和数据传输单元，所述数据传输单元供不同来源的设备进行数据传输，所述数据采集单元将数据传输单元传输的数据进行采集，并存储在所述服务器的数据库中；

7、其中，所述数据传输单元包括数据传输接口和数据存储器，所述数据传输接口供至少一个外部设备进行连接，并将所述外部设备传输的新生儿肺脏超声影像数据进行传输，所述数据存储器存储所述数据传输接口传输的新生儿肺脏超声影像数据。

8、可选的，所述特征提取单元根据以下步骤提取关键特征：

9、s1、从数据采集模块中接收原始新生儿肺脏超声影像数据，并对原始新生儿肺脏超声影像数据进行预处理，所述预处理包括去噪、对比度增强和图像归一化；

10、s2、对预处理后的原始新生儿肺脏超声影像数据进行图像分割，所述图像分割包括利用固定或自适应阈值分割肺部区域，初步提取感兴趣区域；

11、s3、通过灰度共生矩阵对初步提取感兴趣区域进行特征提取；

12、s4、特征的选择和优化

13、对提取得到的每个特征x，计算其与二元目标变量之间的相关性系数，并根据计算结果，得到特征x和二元目标变量之间的相关性系数列表，并根据相关性系数的绝对值进行排序，设定一个阈值，选择与目标变量相关性最强的至少两个特征作为关键特征；

14、s5、输出关键特征

15、将每个样本的各个关键特征对应的值按顺序排列，形成一个特征向量r，并将特征向量以适当的格式输出，供所述模型训练单元使用。

16、可选的，所述模型训练单元获取特征向量r作为深度学习模型的输入特征，并根据预测的目标类别输出对应目标类别的得分z：

17、z＝f(r；θ)；

18、式中，r是输入特征向量，f()是卷积神经网络cnn对应的模型函数，θ为模型参数，其值通过训练过程得到；

19、所述模型训练单元通过softmax函数将输出对应目标类别的得分z转换成每个类别的概率分数：

20、

21、式中，第i个类别的概率分数，zi是深度学习模型输出的第i个得分，k是类别总数，ezj是指将自然常数e提升到深度学习模型输出的第j个得分zj的幂；

22、所述模型训练单元选择概率分数最大的类别作为深度学习模型的评估结果。

23、可选的，所述结果输出模块包括显示单元和核验单元，所述核验单元对所述医护人员的身份进行核验，所述显示单元将评估结果向核验通过的所述医护人员进行显示；

24、其中，所述核验单元包括核验校验器、以及根据核验校验器生成的核验校验码，所述核验校验器获取所述医护人员的身份id，并根据所述身份id生成核验校验码；

25、若所述医护人员本地输入的所述核验校验码与存储在云端的核验校验码相同，则核验通过，否则核验不通过。

26、可选的，所述反馈学习模块包括反馈单元、评分单元和触发单元，所述评分单元供所述医护人员对所述评估结果进行评分，所述反馈单元将所述评分单元的评分传输至触发单元中，所述触发单元获取反馈单元的平均评分与设定的优化阈值比较，若平均评分低于设定的优化阈值时，触发模型优化。

27、可选的，所述分析模块包括数据接收单元、数据整合单元和报告生成单元，所述数据接收单元用于接收来自机器学习模块的优化后的评估结果，所述数据整合单元将分析结果与相关联的辅助数据进行整合，形成分析视图结构，所述报告生成单元用于自动生成详细的分析报告；

28、其中，相关联的辅助数据包括新生儿肺脏超声影像数据的异常位置的影像图片。

29、可选的，所述深度学习模块的优化步骤包括：

30、s11、将新增的病例数据加入训练数据集中，增加深度学习模型的训练样本量；

31、s12、使用扩充后的训练数据重新训练所述深度学习模型，更新深度学习模型参数；

32、s13、在验证集上评估新的所述深度学习模型的性能，比较优化前后的差异；

33、s14、如果新的所述深度学习模型表现优于旧的所述深度学习模型，将新的深度学习模型进行部署以替换旧的所述深度学习模型。

34、可选的，所述目标类别包括健康和病变。

35、可选的，所述报告生成单元包括报告生成器和自然语言生成器，所述自然语言生成器将分析结果转换为易于理解的自然语言描述，所述报告生成器将自然语言生成器的描述插入预定义的模板和格式中，并自动生成报告。

36、本发明所取得的有益效果是：

37、1.通过数据采集模块和机器学习模块的相互配合，使得新生儿肺脏状态能够得到评估，保证整个系统具有评估过程的准确性高、辅助效果好、辅助及时性高、智能程度高、评估手段精准的优点；

38、2.通过数据传输模块对多种数据来源进行接收，使得数据来源能够更加广泛，保证整个系统具有数据来源广、数据适用性高的优点；

39、3.通过反馈学习模块和机器学习模块之间的配合，使得评估手段能够及时更新，提升评估的可靠性和准确性，保证整个系统具有分析精准度高、智能程度高、辅助诊断能力强、反馈能力强、主动监控能力高和评估手段精准的优点；

40、4.通过分析模块和机器学习模块之间的相互配合，使得报告能够自动整理并生成，提升了整个报告生成的效率和准确性，保证整个系统具有分析精准性高、交互舒适性佳、辅助能力强、反馈实时性高和评估手段精准的优点。