一种基于人工智能的职业性尘肺病精准诊断系统及方法

摘要

本发明属于人工智能技术领域，公开了一种基于人工智能的职业性尘肺病精准诊断系统及方法，规范化采集技术质量优良的X线高千伏和数字化摄影(DR)后前位胸片，对其进行分区、分期标记，确定职业性尘肺病分期结果，分析建立病灶影像特征与该病病理基础、解剖之间的关联关系；用于X线高千伏和DR后前位胸片图像分割、标签分布构建、期别预测的深度学习模型和技术方案，对职业性尘肺病影像中无尘肺、壹期、贰期和叁期尘肺进行分级；将提出的深度学习诊断模型作为临床诊断的辅助工具，对结果进行对比验证和优化；建立诊断系统，指导职业性尘肺病的预防、诊断以及职业病伤残等级评定。本发明实现职业性尘肺病的精准诊断和早期干预。

说明书

技术领域

本发明属于人工智能技术领域，尤其涉及一种基于人工智能的职业性尘肺 病精准诊断系统及方法。

背景技术

职业性尘肺病是在职业活动中长期吸入不同致病性的生产性粉尘并在肺内 潴留而引起的以肺组织弥漫性纤维化为主的一组职业性肺部疾病的统称。按我 国《职业病分类和目录》，主要包括矽肺、煤工尘肺、石墨尘肺、炭黑尘肺、 石棉肺、滑石尘肺、水泥尘肺、云母尘肺、陶工尘肺、铝尘肺、电焊工尘肺、 铸工尘肺十二种。目前，我国职业性尘肺病的诊断依据《职业性尘肺病的诊断》 (GBZ 70)标准。职业性尘肺病的诊断原则是根据可靠的生产性矿物性粉尘接 触史，以技术质量合格的X射线高千伏或数字X射线摄影(DR)后前位胸片表 现为主要依据，结合工作场所职业卫生学、尘肺流行病学调查资料和职业健康 监护资料，参考临床表现和实验室检查，排除其他类似肺部疾病后，对照职业 性尘肺病诊断标准片，方可诊断。诊断医师应严格按照诊断标准，根据X线胸 片小阴影的总体密集度，小阴影分布的肺区范围，有无小阴影聚集、大阴影、 胸膜斑等，将尘肺病诊断分为壹期、贰期和叁期。

根据国家卫生健康委员会发布的全国职业病报告，2007-2016年10年间职 业性尘肺病占职业病报告的平均比例为85.4％，平均每年新报告病例的增长比例 达到11.6％。数据表明，职业性尘肺病是我国职业活动中最主要的职业病，而且 潜在罹患职业性尘肺病的人群庞大，其中四川省职业性尘肺病患者人数高居全 国第三位。职业性尘肺病所致肺纤维化不可逆转，且并发症多，目前职业性尘 肺病治疗手段有限，故尘肺病患者患病后大多逐渐丧失劳动能力，导致患者家 庭因病致贫、因病返贫，健康状况和生活质量严重下降。尘肺病的诊治康复费 用给患者和社会带来沉重的经济负担。经测算，尘肺病一年使我国损失1845亿 元，包括直接经济损失250亿元，间接经济损失1595亿元，间接经济损失是直 接经济损失的6倍。用伤残调整生命年(Disability adjusted life year,DALY)方法 计算尘肺病患者人均一生社会生产力损失为60.85万元。因此，早期发现并及时 干预对职业性尘肺病的防治至关重要。

作为法定职业病，职业性尘肺病病人的待遇和安置以评定的伤残等级为主 要依据，伤残等级评定依赖于职业性尘肺病分期、肺功能损伤程度。由此可见， 职业性尘肺病的准确诊断涉及国家救助和企业工伤保险的落实等关系民生福祉 的重要举措。由于不同地区和不同机构的职业病诊断医师诊断水平存在差异， 易受多种因素干扰，导致职业性尘肺病诊断分期结论的同质性差，从而引发诸 多社会问题。

然而在职业性尘肺病诊断过程中，由于不同职业病诊断医师对职业性尘肺 病细微结构的认知存在较大差异且易受外界因素干扰，导致职业性尘肺病诊断 结论不能客观反映、精准评价患者肺部损害的真实改变。实现职业性尘肺病精 准诊断，亟待解决下述关键技术问题：

(1)按照现行的职业性尘肺病诊断标准，由取得职业病诊断资质的医师将 拟申请职业性尘肺病诊断患者的胸片与标准片对比，集体讨论后形成诊断意见。 在此过程中，职业病诊断医师对影像的识别和对比较为主观，易受外界因素干 扰，识别结果的稳定性不够、可重复性差。

(2)不同地区和不同诊断机构的职业病诊断医师因对职业性尘肺病影像改 变的认知不同和工作经验的差异，其诊断水平参差不齐，诊断结论同质性较差， 甚至出现误诊、漏诊。

(3)因前后结构重叠，X线胸片对不规则小阴影和很小的圆形阴影等细微 病变显示欠佳，早期肺纤维化病变以及肺气肿、肺动脉高压等并发症不易被及 时、准确地发现，早期职业性尘肺病诊断对影像辅助识别技术需求迫切。

(4)人眼能够分辨的影像灰度变化是有限度的，胸部影像上以数字呈现的 图像信息无法全部被肉眼捕获，影像数据的潜在价值有待进一步挖掘。

(5)目前的职业性尘肺病诊断标准对密集度进行四大级和十二小级的分 级，此方法成为反映职业性尘肺病严重程度的主要依据，但其主要依靠诊断医 师的主观判断，分级精确度和准确度不够。随着医学的发展和对职业性尘肺病 研究的深入，尚需要更加客观、准确、全面的定量方法进行评价分析。

人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸和扩展 人的智能理论、方法、技术及应用系统的一门新的技术科学。机器学习是人工 智能的技术领域之一，主要研究如何在经验学习中，基于数据驱动改善具体算 法的性能。而深度学习(Deep Learning)是机器学习的分支，是一种试图使用 包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算 法。近年来已有数种深度学习框架，如多层神经网络、卷积神经网络、深度置 信网络和递归神经网络已被应用在计算机视觉、语音识别、音频识别与生物信 息学等领域并取得了良好的效果。

在医学影像领域，机器学习用于图像分割、图像配准、基于内容的影像检 索以及诊断报告的文本分析，特别是计算机辅助检测与诊断的研究较多。在肺 部疾病方面，应用机器学习的方法对肺结节进行识别分类、预测肺部结节的良 恶性、比较不同机器学习的方法对肺癌分类的准确性以及对肺间质纤维化疾病 类型的分类。现有构建出基于深度学习的肺炎AI疾病图像诊断系统，在区分肺 炎和健康状态时，检测准确性的受试者特征曲线下面积(Area under the curve, AUC)达到96.8％，区分细菌性肺炎和病毒性肺炎的AUC达到94％，相关成果 发表在顶级期刊《Cell》。

在国内，针对职业性尘肺病基于人工智能进行诊断研究尚处于起步阶段。 现有研究技术团队基于主动形变模型的肺野分割和纹理特征提取方法对职业性 尘肺病胸片的弥漫性病灶进行识别；现有基于小波纹理特征和灰度增强技术并 采用支持向量机、决策树等方法在数字化摄影(Digital Radiography,DR)胸片上自 动识别小阴影、辅助诊断尘肺并进行分期研究，显示出较好的检测效能。然而， 上述这些方法均基于手工特征提取，具有特征提取有限、泛化性能较差以及神 经网络层数不足等问题。目前尚未检索到基于深度学习模型构建职业性尘肺病 精准诊断模型的研究报道。

解决上述技术问题的难度和意义：本发明首次建立一套科学、精准、高效 的职业性尘肺病精准诊断体系，做出的是基础性、原创性贡献。

研究精准、稳定可靠的职业性尘肺病诊断技术，具有以下几方面的重要意 义：(1)因接触生产性粉尘的人群庞大，精准、稳定可靠的职业性尘肺病诊断 技术可以减少社会矛盾和卫生费用支出。(2)最大限度地消除职业病诊断医师 业务能力和社会因素对职业性尘肺病诊断的影响与干扰，有助于保护职业性尘 肺病患者和企业双方的合法权益，达到减少劳资纠纷、避免引发群体性事件、 维护社会公平正义的目的。

发明内容

针对现有技术存在的问题，本发明提供了一种基于人工智能的职业性尘肺 病精准诊断系统及方法。

本发明是这样实现的，一种基于人工智能的职业性尘肺病精准诊断系统及 方法，具体包括以下步骤：

步骤一：规范化采集技术质量优良的X线高千伏和数字化摄影(DR)后前 位胸片，对其进行分区、分期标记，确定职业性尘肺病分期结果，分析、建立 病灶影像特征与该病病理基础、解剖之间的关联关系；

步骤二：用于X线高千伏和DR后前位胸片图像分割、标签分布构建、期 别预测的深度学习模型和技术方案，对职业性尘肺病影像中无尘肺、壹期、贰 期和叁期尘肺进行分级；

步骤三：将提出的深度学习诊断模型作为临床诊断的辅助工具，对结果进 行对比验证和优化；建立诊断系统，指导职业性尘肺病的预防、诊断以及职业 病伤残等级评定。

进一步，所述步骤二中，对职业性尘肺病影像中出现的弥漫分布、目标病 灶小的病变进行识别、分级，具体采用影像数据标记、弥漫性病变分割检测、 标签分布构建和职业性尘肺病识别分期方法。

进一步，步骤一中，影像数据标记具体采用以下步骤：

①对尘肺组胸部后前位影像，按照职业性尘肺病诊断标准中的方法对肺野 进行分区，对照标准片，分别对各区的阴影形态、密集度进行分级标记；

根据中华人民共和国国家职业卫生标准GBZ 70-2015职业性尘肺病诊断 标准附录C胸片质量与质量评定规范，对所有采集图像进行质量控制，排除差 片和废片，保证高质量的影像数据；

依据国家职业性尘肺病诊断标准对后前位胸片进行肺区分割，左右侧各3 个肺区，共6个肺区；

对照国家职业性尘肺病诊断标准片，对纳入病例的尘肺病病灶进行标记， 确定各肺区病灶形态(规则小阴影p、q、r；不规则小阴影s、t、u；大阴影)、 各肺区密集度(0级、1级、2级和3级)以及总体密集度。

②影像数据标记由5名从事胸部影像诊断工作5年以上的主治医师完成。 所有拟标记影像数据进行随机选取，避免选择偏倚；在标记过程中意见不一致 时协商解决，或反馈到高级职称医师进行系统性分析并确定结论；

③由3名取得国家职业性尘肺病诊断医师资格的职业性尘肺病知名诊断专 家采用少数服从多数的原则评价各组数据标记的准确性和确定职业性尘肺病分 期。

进一步，步骤二中，通过图像分割算法提取胸片中的肺野图像。图像分割 算法可以在level set、graph cut等传统图像分割算法中任意选取，也可以通过采 用公开胸片肺野分割数据集(Montgomery，JSRT)训练U-Net的方式获取。

进一步，步骤二中，构建后前位胸片所属期别对应的标签分布，具体为： 基于对数正态分布构建标签分布的方法，综合该方法构建的标签分布和one-hot 标签，训练卷积神经网络。

进一步，步骤二中，职业性尘肺病期别预测，将肺野图像输入主干网络， 预测胸片所属尘肺期别。通过降采样算法将步骤1中得到的肺野图像尺寸缩减 为512×512，然后将其输入主干网络，主干网络最后一个全连接层的输出节点 数量为4，在主干网络训练阶段，计算损失，反向传播，优化主干网络，在推理 阶段，直接输出主干网络预测结果。

本发明的另一目的在于提供一种实现所述基于人工智能的职业性尘肺病精 准诊断方法的基于人工智能的职业性尘肺病精准诊断系统，所述基于人工智能 的职业性尘肺病精准诊断系统包括：包括服务器、客户端和诊断系统；

诊断系统包括信息输入模块、机器学习智能诊断模块和结果输出模块。

本发明的另一目的在于提供一种实现所述人工智能的职业性尘肺病精准诊 断系统的信息数据处理终端。

本发明的另一目的在于提供一种实现所述人工智能的职业性尘肺病精准诊 断系统的移动设备。

本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在 计算机上运行时，使得计算机执行所述人工智能的职业性尘肺病精准诊断系统。

诊断专家系统包括AI服务器、客户端、系统软件；所述的AI服务器端用 于储存系统数据、自动进行卷积神经网络训练、对输入的病例数据进行后台自 动验证，反馈到客户端；所述的客户端为Web浏览器，用于将历史病例及输入 病例上传服务器；所述的系统软件包括信息输入模块、自动诊断模块；所述的 信息输入模块用于检测者信息、诊断结论等的导入；所述的自动诊断模块用于 根据上传的训练集、测试集数据，后台根据建模选择深度学习模型并进行自动 验证，生成职业性尘肺病分类预测结果，并反馈诊断意见。

所述的系统采用B/S架构，具体包括表现层、业务逻辑层、数据访问层； 所述的表现层用于录入或者反馈诊断意见的界面；所述的业务逻辑层用于对上 传的数据按照设定的AI模型，进行深度学习，同时对要求自动诊断的数据进行 验证，将验证结果反馈给表现层；所述的数据访问层用于对所做事务直接操作 数据库。

所述的客户端为Web浏览器，用于将历史病例及新病例录入采用Web浏览 器进行，这样能够获取更多资源的病例。

综上所述，本发明的优点及积极效果为：

1、前端标记数据可靠、准确，由取得国家职业病诊断资格的知名专家完成 标记。

2、提出了一种更符合尘肺数据集中的期别模糊和噪声呈非对称性特点的标 签分布构建方法。

3、能够很好地解决由尘肺数据集中的非对称期别模糊和非对称噪声导致的 卷积神经网络过拟合问题。

本发明基于深度学习模型的特征自动提取和特征学习能力，进行职业性尘 肺病影像的分割和精准诊断，最终构建出在临床上切实可行的职业性尘肺病诊 断模型，指导职业性尘肺病的防治和职业病伤残等级评定。深入发掘精准医学 和转化医学的内涵，以具有重要临床价值和社会意义的职业性尘肺病为出发点， 将基础和临床紧密结合实现职业性尘肺病的精准诊断和早期干预。

本发明以医学大数据和高效人工智能方法为基础，提出的诊断方法和技术 具有客观、高效、同质的优点，可有效协助各级职业病诊断医师进行职业性尘 肺病的精准诊断，利于推广且意义重大。本发明的成果将为职业性尘肺病智能 诊断标准的制定奠定坚实的基础，构建的大样本数据库为以后职业性尘肺病的 工作提供高质量的开源数据。积极响应国家人工智能发展战略，促进医疗影像 辅助诊断系统的临床应用和产品化进程，为建立服务于职业病防治方面的智能 医疗体系作出贡献。

本发明(1)分析建立病灶影像特征与该病病理基础、解剖之间的关联关系， 建立职业性尘肺病影像学，尤其是早期尘肺病和二氧化硅含量低的粉尘所致尘 肺病影像的关键图像特征集。(2)针对职业性尘肺病诊断目前存在的若干关键 问题，基于深度学习强大的特征提取和特征学习的能力，构建精准、稳定可靠 的职业性尘肺病诊断方案。(3)结合临床实践验证技术方案的性能和提出算法 的优化方法。提出了一种更符合尘肺数据集中的期别模糊和噪声呈非对称性特 点的标签分布构建方法，能够很好地解决由尘肺数据集中的非对称期别模糊和 非对称噪声导致的卷积神经网络过拟合问题。(4)基于指导职业性尘肺病的防 治策略的制定和伤残等级评定，为后续建立服务于职业病防治方面的智能医疗体系奠定坚实的基础。

本发明首次建立一套科学、精准、高效的职业性尘肺病诊断体系，做出基 础性、原创性的贡献。

附图说明

图1是本发明实施例提供的基于人工智能的职业性尘肺病精准诊断系统及 方法流程图。

图2是本发明实施例提供的诊断系统示意图。

图3是本发明实施例提供的基于对数正态标签分布学习的尘肺病胸片分期 方法流程图。

图4是本发明实施例提供的实施过程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。

本发明基于深度学习模型的特征自动提取和特征学习能力，进行职业性尘 肺病影像的分割和精准诊断，最终构建出在临床上切实可行的职业性尘肺病诊 断模型，指导职业性尘肺病的防治和职业病伤残等级评定。

下面结合附图对本发明的应用原理进行进一步详细说明；

如图1所示，本发明实施例提供的基于人工智能的职业性尘肺病精准诊断 系统及方法，具体包括以下步骤：

S101：规范化采集技术质量优良的X线高千伏和数字化摄影(DR)后前位 胸片，对其进行分区、分期标记，确定职业性尘肺病分期结果，分析、建立病 灶影像特征与该病病理基础、解剖之间的关联关系；

S102：用于X线高千伏和DR后前位胸片图像分割、标签分布构建、期别 预测的深度学习模型和技术方案，对职业性尘肺病影像中无尘肺、壹期、贰期 和叁期尘肺进行分级；

S103：将提出的深度学习诊断模型作为临床诊断的辅助工具，对结果进行 对比验证和优化；建立诊断系统，指导职业性尘肺病的防治和职业病伤残等级 评定。

步骤S101中，本发明实施例提供的影像数据标记具体采用以下步骤：

①对尘肺组胸部后前位影像，按照职业性尘肺病诊断标准中的方法对肺野 进行分区，对照标准片，分别对各区的阴影形态、密集度进行分级标记；

②影像数据标记由5名从事胸部影像诊断工作5年以上的主治医师完成。 所有拟标记影像数据进行随机选取，避免选择偏倚；在标记过程中意见不一致 时协商解决，或反馈到高级职称医师进行系统性分析并确定结论；

③由3名取得国家职业性尘肺病诊断医师资格的职业性尘肺病知名诊断专 家采用少数服从多数的原则评价各组数据标记的准确性和确定职业性尘肺病分 期。

步骤S102中，本发明实施例提供的弥漫性病变分割检测，通过图像分割算 法提取胸片中的肺野图像。图像分割算法可以在level set、graph cut等传统图像 分割算法中任意选取，也可以通过采用公开胸片肺野分割数据集(Montgomery， JSRT)训练U-Net的方式获取，本发明对此不做限制。

步骤S102中，构建后前位胸片所属期别对应的标签分布，具体为：基于对 数正态分布构建标签分布的方法，综合该方法构建的标签分布和one-hot标签， 训练卷积神经网络，解决由尘肺数据集中的非对称期别模糊和非对称噪声导致 的卷积神经网络过拟合问题。

步骤S102中，本发明实施例提供的职业性尘肺病期别预测，将肺野图像输 入主干网络，预测胸片所属尘肺期别。通过降采样算法将步骤1中得到的肺野 图像尺寸缩减为512×512，然后将其输入主干网络(本发明对主干网络的选取 不做限制)，主干网络最后一个全连接层的输出节点数量为4。在主干网络训练 阶段，计算损失，反向传播，优化主干网络。在推理阶段，直接输出主干网络 预测结果。

下面结合实验对本发明的技术方案作详细的描述。

本发明基本思想是：通过图像分割算法提取胸片中的肺野图像；基于对数 正态分布呈非对称性的特点，构建尘肺各个期别的标签分布；将肺野图像输入 主干网络进行预测；在主干网络训练阶段，结合标签分布与原有one-hot标签来 训练卷积神经网络；在推理阶段，直接输出主干网络预测结果。本发明可以克 服由尘肺数据集中的非对称期别模糊和非对称噪声导致的卷积神经网络过拟合 问题。本发明提出的基于对数正态标签分布学习的尘肺病胸片分期方法流程图 如图3所示，具体包括如下步骤：

步骤1：通过图像分割算法在胸片中提取肺野图像。图像分割算法可以在 levelset、graph cut等传统图像分割算法中任意选取，也可以通过采用公开胸片 肺野分割数据集(Montgomery，JSRT)训练U-Net的方式获取，本发明对此不 做限制。

步骤2：基于对数正态分布构建胸片所属期别对应的标签分布。以 S＝{s

其中，δ＝0.3。构建尘肺病期别的标签分布需要满足三个条件：1)

步骤3：将肺野图像输入主干网络，预测胸片所属尘肺期别。通过降采样算 法将步骤1中得到的肺野图像尺寸缩减为512×512，然后将其输入主干网络(本 发明对主干网络的选取不做限制)，主干网络最后一个全连接层的输出节点数量 为5。

步骤4：在主干网络训练阶段，计算损失，反向传播，优化主干网络。假设 主干网络输出的预测结果为

L＝αL

α和β的取值可以根据实际情况而定，能保证αL

步骤5：在推理阶段，直接输出主干网络预测结果。取主干网络输出的预测 结果

与现有技术相比，本发明的有益效果是：(1)提出了一种更符合尘肺数据 集中的期别模糊和噪声呈非对称性特点的标签分布构建方法。(2)能够很好地 解决由尘肺数据集中的非对称期别模糊和非对称噪声导致的卷积神经网络过拟 合问题。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程 序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指 令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可 以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算 机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向 另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、 计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或 无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据 中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。 所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、 或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。