[发明专利]医学超声诊查过程的动态可解释推理辅助诊断方法

说明书

本发明提供了一种医学超声诊查过程的动态可解释推理辅助诊断方法。利用医学超声知识图谱实时识别诊查过程中的牵涉实体，通过牵涉实体的推理路径实现推理过程的可解释性；通过知识图谱中实体的路径游走与有效推理路径排名，实现对超声医生扫查的步骤化引导与对疾病的动态推理诊断。本发明能够解决现有静态推理方法对医学超声诊查中的过程信息缺失的问题，并实现推理过程的可解释性，为超声诊查提供实时动态可解释推理辅助诊断。

技术领域

本发明属计算机辅助诊断领域，具体涉及一种医学超声诊查过程的动态可解释推理辅助诊断方法。

背景技术

医学超声具有无辐射、无创伤、实时性、成本低等特点，目前已用于患者的大规模筛查。以癌症为例，超声诊查可有效诊断乳腺癌和甲状腺癌等多种癌症，在癌症早期筛查干预中具有重要作用。但对于我国患者数量的规模，经验丰富超声医生的人数明显不足，因而难以应对我国疾病筛查的庞大规模。为降低大规模筛查对大量医生人手的依赖，现阶段的主要方式是对超声诊查引入计算机辅助诊断技术。

现有医学超声相关的计算机辅助诊断技术，主要以超声医生诊查后所提供的静态超声图像为依据。例如，Abdel-Nasser等人在文献Abdel-Nasser M,Melendez J,MorenoA,et al.Breast tumor classification in ultrasound images using textureanalysis and super-resolution methods[J].Engineering Applications ofArtificial Intelligence,2017,59:84-92中通过超分辨技术对超声影像进行纹理分析，实现对患者乳腺肿瘤良恶性的辅助诊断。Zhang等人在文献Zhang Q,Xiao Y,Dai W,etal.Deep learning based classification of breast tumors with shear-waveelastography[J].Ultrasonics,2016,72:150-157中提出了超声剪切波弹性成像图片的深度学习乳腺肿瘤良恶性预测算法。Shi等人在文献Shi J,Zhou S C,Liu X,etal.Stacked deep polynomial network based representation learning for tumorclassification with small ultrasound image dataset[J].Neurocomputing,2016,194:87-94中设计了一种栈式深度多项式网络的表示学习方法对肿瘤良恶性进行超声辅助诊断。针对帕金森综合征的经颅超声数据，Shi等人在文献Shi J,Xue Z Y,Dai Y K,etal.Cascaded Multi-Column RVFL plus Classifier for Single-Modal Neuroimaging-Based Diagnosis of Parkinson's Disease[J].IEEE Transactions on BiomedicalEngineering,2019,66(8):2362-2371中提出了随机向量函数链接神经网络的超声辅助诊断方法。Shen等人在文献Shen L,Shi J,Dong Y,et al.An Improved Deep PolynomialNetwork Algorithm for Transcranial Sonography-Based Diagnosis of Parkinson'sDisease[J].Cognitive Computation,2019,DOI:10.1007/s12559-019-09691-7中建立了改进深度多项式网络的经颅超声帕金森综合征辅助诊断方法。