(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210905559.3 (22)申请日 2022.07.29 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 陈超　曾祥云　徐埌　黄凌云　 肖京　 (74)专利代理 机构 深圳市赛恩倍吉知识产权代 理有限公司 4 4334 专利代理师 陈敬华 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/75(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于人工智能的甲状腺结节辅助诊断方法 及相关设备 (57)摘要 本申请提出一种基于人工智能的甲状腺结 节辅助诊断方法、 装置、 电子设备及存储介质， 基 于人工智能的甲状 腺结节辅助诊断方法包括： 采 集带有标签数据的甲状 腺超声影像作为训练集； 依据对照向量集搭建第一辅助诊断模 型， 第一辅 助诊断模型包括卷积结构、 定位结构和分类结 构； 训练第一辅助诊断模型以更新模 型参数得到 第二辅助诊断模 型和标准向量集， 模 型参数包括 对照向量集； 采集待诊断超声影像并输入第二辅 助诊断模型， 将分类结构的输出作为辅助诊断结 果， 并基于卷积结构的输出和标准向量集构建辅 助特征图； 将辅助特征图和辅助诊断结果显示在 终端屏幕以辅助医生的诊断过程。 本申请能提高 辅助诊断模 型的可解释性和准确性， 从而提高医 生诊断效率。 权利要求书3页 说明书18页 附图3页 CN 115222715 A 2022.10.21 CN 115222715 A 1.一种基于人工智能的 甲状腺结节辅助诊断方法， 其特 征在于， 所述方法包括： 采集带有标签数据的甲状腺超声影像作为训练集， 所述标签数据包括甲状腺超声影像 中甲状腺结节的良恶性类别标签和风险等级标签； 依据对照向量集搭建第一辅助诊断模型， 所述第一辅助诊断模型包括卷积结构、 定位 结构和分类结构； 基于所述训练集和预设损失函数训练所述第 一辅助诊断模型以更新模型参数， 得到第 二辅助诊断模型和标准向量集， 所述模型参数包括所述卷积结构、 定位结构和分类结构的 参数， 所述定位结构的参数为所述对照向量 集； 采集待诊断超声影像并输入所述第 二辅助诊断模型， 将所述第 二辅助诊断模型中卷积 结构的输出作为诊断卷积特征图， 将所述第二辅助诊断模型中分类结构的输出作为辅助诊 断结果； 基于所述诊断卷积特 征图和所述标准向量 集构建辅助特 征图； 将所述辅助特征图和所述辅助诊断结果显示在终端屏幕以辅助医生的诊断过程， 得到 所述待诊断超声影 像的诊断结果。 2.如权利要求1所述的基于人工智能的甲状腺结节辅助诊断方法， 其特征在于， 所述依 据对照向量集搭建第一辅助诊断模型， 所述第一辅助诊断模型包括卷积结构、 定位结构和 分类结构， 包括： 构建对照向量集， 所述对照向量集包括每一种预设诊断类别的对照向量子集， 所述对 照向量子集包括预设数量的对照特征向量， 所述预设诊断类别包括良性低风险、 良性高风 险、 恶性低风险和恶性高风险； 依据所述对照向量集搭建第一辅助诊断模型， 所述第一辅助诊断模型由卷积结构、 定 位结构和分类结构串联而成， 所述第一辅助诊断模型 的输入为甲状腺超声影像， 输出为所 述甲状腺超声影 像的良恶性 概率向量和风险等级概 率向量； 所述卷积结构的输入为甲状腺超声影像， 输出为所述甲状腺超声影像的卷积特征图， 所述卷积特 征图包括多个卷积特 征向量； 所述定位结构用于计算所述卷积特征图与所述对照向量集中每一个对照特征向量的 相似度， 并将所有相似度沿着列方向按照固定顺序进行排列得到相似度向量； 所述分类结构的输入为所述相似度向量， 输出为所述甲状腺超声影像的良恶性概率向 量和风险等级概 率向量。 3.如权利要求2所述的基于人工智能的甲状腺结节辅助诊断方法， 其特征在于， 所述相 似度满足关系式： 其中， z为卷积结构输出的卷积特征图， 为所述卷积特征图中任意一个卷积特征向量， pi为所述对照向量集中对照特征向量i， 所述卷积特征向量和所述对照特征向量的尺寸相 同； ∈为调节系数， ∑maxk(x)X(x)表示求所有参数X(x)中前k个最 大值之和， gi(z)为卷积特征 图z与对照特 征向量i的相似度。 4.如权利要求1所述的基于人工智能的甲状腺结节辅助诊断方法， 其特征在于， 所述基权　利　要　求　书 1/3 页 2 CN 115222715 A 2于所述训练集和预设损失函数训练所述第一辅助诊断模型以更新模型参数， 得到第二辅助 诊断模型和标准向量集， 所述模型参数包括所述卷积结构、 定位结构和分类结构的参数， 所 述定位结构的参数为所述对照向量 集， 包括： 固定分类结构中的参数， 基于所述训练集和预设损失函数对所述第 一辅助诊断模型中 的卷积结构和定位结构进 行初步训练， 以更新卷积结构的参数和定位结构中所述对照向量 集的所有对照特 征向量； 在所述初步训练 的过程中， 从所述训练集不断挑选训练批次以计算所述预设损失函数 的数值， 当所述预设损失函数 的数值不再变化时停止初步训练， 并将所述定位结构 中所有 对照特征向量作为标准特 征向量， 储 存所有标准特 征向量得到标准向量 集； 固定卷积结构的参数和定位结构中所有对照特征向量， 基于所述训练集和交叉熵损失 函数对所述第一辅助诊断模型中分类结构进行二次训练， 以更新分类结构的参数； 在所述二 次训练的过程中， 从所述训练集不断挑选训练批次以计算所述交叉熵损失函 数的数值， 当所述交叉熵损失函数的数值不再变化时， 停止二次训练， 得到第二辅助诊断模 型。 5.如权利要求4所述的基于人工智能的甲状腺结节辅助诊断方法， 其特征在于， 所述预 设损失函数满足关系式： 其中， M表示初步训练中每个训练批次的数据量， 和 分别表示一个训练批次中第i 张甲状腺超声影像的良恶性类别标签和风险等级标签， 和 分别表示一个训练批次中 所述第一辅助诊断模型输出的第i张甲状腺超声影像的良恶性概率向量和风险等级概率向 量， 表示 和 的交叉熵损失函数， Clst为互斥损失函数， λ为权重因子， Loss 为预设损失函数的数值。 6.如权利要求5所述的基于人工智能的甲状腺结节辅助诊断方法， 其特征在于， 所述互 斥损失函数满足关系式： 其中， M表示初步训练中每个训练批次的数据量， 表示一个训练批次中第i张甲状腺 超声影像的预设诊断类别， 为依据预设互斥对获取的所述第 i张甲状腺超声影像的预 设诊断类别的互斥种类； pj为所述第i张甲状腺超声影像 的预设诊断类别的对照向量子集 中任意一个对照特征向量， 为所述第i张甲状腺超声影像的预设诊断类别的互斥种类的 对照向量子集中任意一个对照特征向量； 为第i张甲状腺超声影像的卷积特征图中任意 一个卷积特征向量， ∑mink(x)X(x)表示求所有参数X(x)中前k个最小值之和； Clst为互斥损 失函数的数值。权　利　要　求　书 2/3 页 3 CN 115222715 A 3