(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 202211180947.6 (22)申请日 2022.09.27 (71)申请人 山东大学齐鲁医院 地址 250012 山东省济南市历下区文化西 路107号 (72)发明人 冯昕　贺少娟　陈威　李安宁　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 李圣梅 (51)Int.Cl. G16H 50/30(2018.01) G16H 10/60(2018.01) G06V 10/82(2022.01) G06V 10/766(2022.01) G06V 10/764(2022.01)G06T 7/10(2017.01) G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种慢性鼻窦炎术后复发风险预测方法及 系统 (57)摘要 本发明公开了一种慢性鼻窦炎术后复发风 险预测方法及系统， 该方法包括： 基于患者术前 鼻窦CT图像和可获取的临床数据， 构建并训练多 任务深度学习网络， 通过多任务深度学习网络中 的分割网络自动识别鼻窦CT图像中的鼻窦区域， 采用深度特征提取网络从鼻窦区域中提取高度 抽象的影像特征， 利用逻辑回归 方法将深度学习 特征和筛选出的临床高危因素融合， 构建结合深 度影像组学和临床高危因素的慢性鼻窦炎术后 复发风险预测模型， 基于该模型， 根据待测患者 的基本临床信息和鼻窦CT影像学图像， 预测待测 患者的术后复发风险。 本发明能够实现经济、 无 创、 快速、 准确地预测慢性鼻窦炎患者术后复发 风险的概率， 能够有效辅助医生进行精准的个体 化治疗决策。 权利要求书2页 说明书8页 附图2页 CN 115512838 A 2022.12.23 CN 115512838 A 1.一种慢性鼻窦炎术后复发风险预测方法， 其特 征是， 包括： 获取慢性鼻窦炎患者的基本临床信息和鼻窦CT影 像学图像； 构建多任务深度 学习网络， 包括深度 特征提取模块、 分割模块以及分类概率预测模块， 以获取的标注是否术后复发的鼻窦CT影像学图像为训练集， 训练所述多任务深度学习网 络； 基于训练完成的多任务深度 学习网络， 将提取的深度学习特征作为一个考虑因素与多 种临床因素进行筛 选， 通过筛 选后的因素构建慢性鼻窦炎术后复发风险预测模型； 基于慢性鼻窦炎术后复发风险预测模型， 根据待测患 者的基本临床信 息和鼻窦CT影像 学图像， 预测待测患者的术后复发风险。 2.如权利要求1所述的慢性鼻窦炎术后复发风险预测方法， 其特征是， 所述慢性鼻窦炎 患者的基本临床信息包括姓名、 性别、 年龄、 高血压、 糖尿病、 哮喘、 过敏性鼻炎、 吸烟、 饮酒 以及外周血中嗜酸 性粒细胞计数。 3.如权利要求1所述的慢性鼻窦炎术后复发风险预测方法， 其特征是， 所述深度 特征提 取模块为多层卷积神经网络， 用于提取 鼻窦CT图像的影 像特征； 所述分割模块为多层卷积神经网络， 用于从鼻窦CT图像中自动识别并分割出鼻窦区 域； 所述分类概率预测模块为多层神经网络， 用于输出基于鼻窦CT图像的影像特征的分类 预测概率， 所述概率是指是否为 术后复发类型的概 率。 4.如权利要求1所述的慢性鼻窦炎术后复发风险预测方法， 其特征是， 在多任务深度 学 习网络的训练过程中， 通过优化多任务损失， 实现联合训练分割任务和分类预测任务； 所述 多任务损失包括分割损失和分类预测损失。 5.如权利要求1所述的慢性鼻窦炎术后复发风险预测方法， 其特征是， 所述筛选过程包 括： 对所有变量进行单因素logistic回归分析， 所述变量包括鼻窦CT图像的深度学习特征、 性别、 年龄、 高血压、 糖尿病、 哮喘、 过敏性鼻炎、 吸烟、 饮酒以及外周血中嗜酸性粒细胞计 数， 筛选出概率值小于设定值的所有变量。 6.如权利要求1所述的慢性鼻窦炎术后复发风险预测方法， 其特征是， 所述通过筛选后 的因素构建慢性鼻窦炎术后复发风险预测模型 的过程， 包括： 将所筛选出 的变量进行多因 素logistic回归分析， 得到logistic 回归模型， 该模型即为结合深度影像组学和临床高危 因素的慢性鼻窦炎术后复发风险预测模型； 所述筛选出的变量包括鼻窦CT图像的深度学习特征、 哮喘、 过敏性鼻炎、 外周血中嗜酸 性粒细胞计数。 7.如权利要求1所述的慢性鼻窦炎术后复发风险预测方法， 其特征是， 通过绘制列线图 将所述慢性鼻窦炎术后复发风险预测模型 可视化。 8.一种慢性鼻窦炎术后复发风险预测系统， 其特 征是， 包括： 数据获取模块， 用于获取慢性鼻窦炎患者的基本临床信息和鼻窦CT影 像学图像； 多任务深度学习 网络构建及训练模块， 用于构建多任务深度学习 网络， 包括深度特征 提取模块、 分割模块以及分类概率预测模块， 以获取的标注是否术后复发的鼻窦CT影像学 图像为训练集， 训练所述多任务深度学习网络； 预测模型构建模块， 用于基于训练完成的多任务深度学习 网络， 将提取的深度学习特权　利　要　求　书 1/2 页 2 CN 115512838 A 2征作为一个考虑因素与多种临床因素进行筛选， 通过筛选后的因素构建慢性鼻窦炎术后复 发风险预测模型； 预测模块， 用于基于慢性鼻窦炎术后复发风险预测模型， 根据待测患者的基本临床信 息和鼻窦CT影 像学图像， 预测待测患者的术后复发风险。 9.一种电子设备， 其特征是： 包括存储器和处理器以及存储在存储器上并在处理器上 运行的计算机指 令， 所述计算机指 令被处理器运行时， 完成如权利要求 1‑7中任一项 所述的 一种慢性鼻窦炎术后复发风险预测方法的步骤。 10.一种计算机可读存储介质， 其特征是： 用于存储计算机指令， 所述计算机指令被处 理器执行时， 完成如权利要求1 ‑7中任一项所述的一种慢性鼻窦炎术后复发风险预测方法 的步骤。权　利　要　求　书 2/2 页 3 CN 115512838 A 3