计算机辅助决策的早期胃癌筛查的设计范文

本站小编为你精心准备了计算机辅助决策的早期胃癌筛查的设计参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要：设计一套早期胃癌筛查系统，利用患者胃镜图像和临床检验数据，根据医学经验知识，总结病灶特征，提取数据并进行数学建模；通过图像处理，用分类器进行胃镜图像的模式识别，鉴别病灶；将患者检验数据和胃癌患者数据库信息进行数据挖掘比对，提取特异性信息，如幽门螺杆菌感染率、地区特性、饮食习惯、年龄性别等与胃癌的相关性，得出病灶的属性。

关键词：胃癌筛查系统；模式识别；数据挖掘；临床决策

一、背景与需求分析

据相关文献报道，胃癌已经成为世界上第二大癌症死因，严重威胁人类生命健康。我国每年胃癌患者死亡人数约16万人，青年人和65岁以上老年人的胃癌发病率逐年上升[1-4]。做好二级预防是改善胃癌患者预后的关键手段，通过胃癌早期筛查手段，实现早发现、早治疗。相比于进展期胃癌术后患者30%~40%的5年生存率，早期胃癌无论有无淋巴结转移，术后5年生存率均可增加50%，故而胃癌的早期筛查对于降低胃癌死亡率和增加5年生存率意义重大[5-6]。

（一）胃癌检测技术

对于胃癌的检测，现在常规的方法是采用电子胃镜，将在胃部采集到的病灶图像传输到图像处理系统处理，然后输出到医用显示器上供医生观看。医生根据自己的经验判断，将可疑的病灶区域组织进行病理切片，诊断病灶属性。这种方法很大程度上依赖医生的临床经验和主观判断，因为病理特征的多样性和胃部环境的复杂性，胃癌的误诊率和漏诊率较高。尤其是癌症早期，因病变不明显，医生在观察胃镜图像时靠肉眼观察，很容易漏诊。因此早期胃癌筛查系统的设计具有一定意义，它的作用是辅助决策，提高诊断效率。

（二）计算机辅助决策系统的研究现状

计算机辅助决策系统以计算机及网络技术为基础，提供决策依据，起到帮助、协助和辅助决策者的作用[7-8]。它针对临床相对主观的描述，对半结构化或非结构化的医学问题通过人机交互方式快速做出判断，以此提高诊断效率[9-10]。计算机辅助决策系统学习专家知识，接收数据库信息，进行分类、识别，可在诊疗过程中提供一种实时帮助，而且能够发掘外部的知识资源[11-13]。随着计算机技术的发展，国内外对于计算机辅助决策在临床诊断中应用的研究逐渐深入。美国、日本等国家率先开展相关研究，以期改善消化道疾病的诊断效果，主要针对病灶图像的识别分析[14]。Karkanis采用彩色小波协方差特征检测胃镜视频图像中的异常区域，并采用经典的线性判别分析作为分类器；上海交通大学张素教授团队采用全自动的MeanShift分割算法，对胃镜图像提取特征向量[15-17]。但目前的相关研究以乳腺和胸部肺结节性病变为主，在胃肠镜、肝脏疾病CT诊断、脑肿瘤MRI诊断等方面的研究仍很少[18-19]。

二、早期胃癌筛查系统设计方法

早期胃癌筛查系统的工作过程是：临床医生在内窥镜下采集图像，对采集到的图像进行处理和分析，提取特征信号，确定可疑病灶；结合患者数据库中获取的高危因子信息，最终获得诊断决策，为临床医生提供决策依据。系统采用C++作为开发语言，采用QtDesigner编写可视化界面，系统工作流程见图1。

（一）胃镜图像采集

通过一个线程在后台进行图像采集，并把采集的图像显示在主线程可视化界面上；为了降低系统的耦合性，使用回调函数返回采集的图像。图像输出接口为高清数字分量串行接口，所提供的未压缩高清图像是图像分析所需的最佳图像来源。通过二代单路3G/HD/SD-SDI采集卡获取内镜主机的高清图像信号，采集卡支持的像素可以达到2048×2048px，支持Windows和Linux操作系统。

（二）胃镜图像识别

早期胃癌筛查系统主要基于图像识别方法，即首先从内窥镜摄像装置中提取相应的胃镜检查图像，对图像感兴趣区域（ROI）进行增强处理，根据胃癌组织的相关特征，如颜色、纹理、形状等，对输入的图像进行特征信息提取，如表1所示[10，18]。特征提取的方法：通过Canny边缘提取、Meanshift图像分割来提取ROI[17]；描述边界的形态与特征：欧拉数、傅里叶描述子、面积、矩、光滑度、圆度等；描述空域(灰度)特征，例如方差、对比度、灰度均值等；描述变换域特征，例如小波变换等；描述图像纹理特征，例如能量、惯性和熵[20]。特征信息提取后，建立识别模型，根据特征用分类器模型进行辨别分类，最终判别相应的病灶区域。运用模式识别的原理对图像进行分类，分类器是把特征空间划分为不同类别区域的“机器”。分类器算法有Adaboost算法、人工神经网络（ANN）、支持向量机（SVM）等[21]。对提取的疑似病灶区域，进行图像匹配，确定病灶阳性值。图像识别算法基于Matlab软件内部的图像处理函数库实现，图像识别分为图像预处理、区域分割、特征提取和病灶分类四部分。把采集到的胃镜图像进行ROI描述，获取病灶部位病变组织的一些结构性变异，如形状、颜色等，提取特征信号。胃镜图像病灶特征如图2、图3所示。

（三）数据挖掘

利用数据挖掘技术从患者数据库中抓取患者年龄、性别、饮食、地域、烟酒、家族病史等信息，根据现有的研究结果，获取这些变量与胃癌的相关性。引入风险因素和风险比值OR，设定OR值=1表示该因素对疾病的发生不起作用；OR值＞1表示该因素是危险因素；OR值＜1表示该因素是保护因素[22-23]。胃癌的发病与饮食和生活方式等因素有关，其风险比值如表2所示。地域环境：根据相关机构流行病学调查发现，胃癌发病率有明显的地域性差别，在我国西北与东部沿海地区的胃癌发病率明显高于南方地区，而广西、广东和贵州则低发[24]。年龄、性别差异：发病年龄在50~60岁的患者最多，5~14岁的患者最少，30~39岁的患者增长速度最快。男女发病率之比为2.3:1~3.6:1。饮食：饮食与胃癌发病关系密切，胃癌高危饮食习惯包括长期食用腌制食品、高盐分食物、霉变食物、暴饮暴食、饮酒等。幽门螺杆菌感染：在我国的胃癌高发区，成人的幽门螺杆菌感染率高于60%。遗传和基因：遗传与分子生物学研究表明，在有血缘关系的亲属中有胃癌发病家族史的，其胃癌发病率明显高于对照组。PLCE1基因与胃癌发生的相关性研究进展也有文献报告，基因检测成为胃癌高危人员筛查的重要突破口[25-26]。

（四）早期胃癌筛查系统结构

首先建立一个患者信息数据库，数据库信息包括患者个人信息、临床检验数据、胃镜检查图像及报告。在启动胃癌筛查临床辅助决策系统后，系统从数据库挖取可用信息，并对胃镜病灶图像进行识别，判断病灶性质，将结果作为临床诊断依据输出。系统结构见图4。

三、总结与展望

综上所述，本文设计的早期胃癌筛查系统基于胃镜图像识别，结合患者HIS基础信息和检验数据分析，将计算机技术和专家经验相结合，在大数据的支持下，实现胃癌的早期筛查。将地理位置、饮食习惯等与胃癌发病率相关的因素考虑在内，可以显著提高胃癌筛查效率，提高早期胃癌诊断准确率，其准确率能够达到85%以上。基于此临床决策支持系统，可以建立地区性的早期胃癌筛查标准流程，对区域内目标人群进行风险分类，将胃癌发生风险分为低、中、高3个等级，通过筛查系统评分提供精准检查策略；在提高早期胃癌诊断准确率的同时，对低风险人群进行定时随访和健康宣教，降低胃癌发生风险，节约医疗资源。本文设计的早期胃癌筛查系统在图像识别算法上采用的是开源代码，其精准性略有不足。应从底层算法做起，建立数学模型，优化算法设计，不断进行模拟训练。通过获取临床大样本数据，进行人工智能深度学习，提高算法准确性。要结合临床验证、大数据分析，不断优化系统结构，提升识别效率，以提高阳性诊出率，减少计算量和数据冗余。同时该系统在临床的应用以及早癌筛查标准流程的完善方面都需要进一步的研究。

作者：黄天海 褚永华 张桦 单位：浙江大学医学院附属第二医院