[发明专利]一种风险评估方法及装置、存储介质及电子设备

说明书

本公开披露了一种风险评估方法及装置、存储介质及电子设备，涉及神经网络技术领域。该风险评估方法包括：基于目标用户的M套初始影像序列，生成M套感兴趣区域影像序列，其中，M套初始影像序列各自的模态互不相同，M为大于或等于2的正整数；利用生存分析模型，基于M套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据，其中，生存分析模型基于深度学习框架构建，通过拼接图像特征向量与临床信息特征向量，输出风险评估数据。本公开通过患者的图像特征和临床信息特征，对目标用户进行生存风险评估，获得更精确的评估结果，辅助医生对目标用户的进行诊断和治疗，从而帮助医生提高目标用户的存活率。

技术领域

本公开涉及神经网络技术领域，具体涉及一种风险评估方法及装置、存储介质及电子设备。

背景技术

如今恶性肿瘤是全球发病率最高的疾病之一，胶质瘤作为颅内最常见的恶性肿瘤，目前治疗的手段仍以手术为主，但胶质瘤很难根治，病情进展较快，手术后易复发，导致胶质瘤患者生存概率降低，因此，为了能够及时治疗，阻止肿瘤生长和延缓复发，生存风险分析评估显得尤为重要。但由于恶性肿瘤的类型不同，病情发展程度不同，尽管肿瘤治疗水平飞速进步，高级胶质瘤的预后仍然较差，医生需要根据自身经验对不同患者进行治疗和诊断，医生需要消耗大量的时间去积累经验，因此，亟需能够帮助医生更快速、准确率更高的生存风险分析，帮助医生对胶质瘤患者更好地诊断并预测复发。

发明内容

有鉴于此，本公开提供一种风险评估方法及装置、存储介质及电子设备，能够快速、高准确的对胶质瘤患者进行风险评估，以解决胶质瘤患者预后较差的问题，能够帮助诊断和更准确地预测复发。

第一方面，本公开一实施例提供一种风险评估方法，该方法包括：基于目标用户的M套初始影像序列，生成M套感兴趣区域影像序列，其中，M套初始影像序列各自的模态互不相同，M为大于或等于2的正整数；利用生存分析模型，基于M套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据，其中，生存分析模型基于深度学习框架构建，通过拼接图像特征向量与临床信息特征向量，输出风险评估数据。

结合第一方面，在第一方面的某些实现方式中，利用生存分析模型，基于M套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据，包括：利用生存分析模型，对M套感兴趣区域影像序列进行特征提取，得到图像特征向量；利用生存分析模型，对临床信息数据进行特征提取，得到临床信息特征向量；拼接图像特征向量和临床信息特征向量，得到能够表征目标用户的拼接向量；基于拼接向量，得到目标用户的生存风险数据。

结合第一方面，在第一方面的某些实现方式中，生存分析模型包括深度卷积神经网络编码器、长短期记忆网络模块、多层感知机编码器和Cox全连接层，其中，利用生存分析模型，对M套感兴趣区域影像序列进行特征提取，得到图像特征向量，包括：利用深度卷积神经网络编码器，对M套感兴趣区域影像序列分别进行特征提取，得到M个初始特征向量；利用长短期记忆网络模块，对M个初始特征向量进行融合，得到图像特征向量；其中，利用生存分析模型，对临床信息数据进行特征提取，得到临床信息特征向量，包括：利用多层感知机编码器对临床信息数据进行特征提取，得到临床信息特征向量；其中，基于拼接向量，得到目标用户的生存风险数据，包括：利用Cox全连接层处理拼接向量，得到目标用户的生存风险数据。

结合第一方面，在第一方面的某些实现方式中，基于目标用户的M套初始影像序列，生成M套感兴趣区域影像序列，包括：对目标用户的M套初始影像序列进行感兴趣区域标定，得到M套初始影像序列各自对应的感兴趣区域初始矩形框；针对每个感兴趣区域初始矩形框，将感兴趣区域初始矩形框的每条边向远离感兴趣区域中心的方向扩大至少一个单位像素距离，得到感兴趣区域初始矩形框对应的感兴趣区域扩展矩形框；基于M套初始影像序列各自对应的感兴趣区域扩展矩形框，分别分割M套初始影像序列，得到M套感兴趣区域影像序列。