本站小編為你精心準備了計算機輔助決策的早期胃癌篩查的設計參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：設計一套早期胃癌篩查系統，利用患者胃鏡圖像和臨床檢驗數據，根據醫學經驗知識，總結病灶特征，提取數據并進行數學建模；通過圖像處理，用分類器進行胃鏡圖像的模式識別，鑒別病灶；將患者檢驗數據和胃癌患者數據庫信息進行數據挖掘比對，提取特異性信息，如幽門螺桿菌感染率、地區特性、飲食習慣、年齡性別等與胃癌的相關性，得出病灶的屬性。

關鍵詞：胃癌篩查系統；模式識別；數據挖掘；臨床決策

一、背景與需求分析

據相關文獻報道，胃癌已經成為世界上第二大癌癥死因，嚴重威脅人類生命健康。我國每年胃癌患者死亡人數約16萬人，青年人和65歲以上老年人的胃癌發病率逐年上升[1-4]。做好二級預防是改善胃癌患者預后的關鍵手段，通過胃癌早期篩查手段，實現早發現、早治療。相比于進展期胃癌術后患者30%~40%的5年生存率，早期胃癌無論有無淋巴結轉移，術后5年生存率均可增加50%，故而胃癌的早期篩查對于降低胃癌死亡率和增加5年生存率意義重大[5-6]。

（一）胃癌檢測技術

對于胃癌的檢測，現在常規的方法是采用電子胃鏡，將在胃部采集到的病灶圖像傳輸到圖像處理系統處理，然后輸出到醫用顯示器上供醫生觀看。醫生根據自己的經驗判斷，將可疑的病灶區域組織進行病理切片，診斷病灶屬性。這種方法很大程度上依賴醫生的臨床經驗和主觀判斷，因為病理特征的多樣性和胃部環境的復雜性，胃癌的誤診率和漏診率較高。尤其是癌癥早期，因病變不明顯，醫生在觀察胃鏡圖像時靠肉眼觀察，很容易漏診。因此早期胃癌篩查系統的設計具有一定意義，它的作用是輔助決策，提高診斷效率。

（二）計算機輔助決策系統的研究現狀

計算機輔助決策系統以計算機及網絡技術為基礎，提供決策依據，起到幫助、協助和輔助決策者的作用[7-8]。它針對臨床相對主觀的描述，對半結構化或非結構化的醫學問題通過人機交互方式快速做出判斷，以此提高診斷效率[9-10]。計算機輔助決策系統學習專家知識，接收數據庫信息，進行分類、識別，可在診療過程中提供一種實時幫助，而且能夠發掘外部的知識資源[11-13]。隨著計算機技術的發展，國內外對于計算機輔助決策在臨床診斷中應用的研究逐漸深入。美國、日本等國家率先開展相關研究，以期改善消化道疾病的診斷效果，主要針對病灶圖像的識別分析[14]。Karkanis采用彩色小波協方差特征檢測胃鏡視頻圖像中的異常區域，并采用經典的線性判別分析作為分類器；上海交通大學張素教授團隊采用全自動的MeanShift分割算法，對胃鏡圖像提取特征向量[15-17]。但目前的相關研究以乳腺和胸部肺結節性病變為主，在胃腸鏡、肝臟疾病CT診斷、腦腫瘤MRI診斷等方面的研究仍很少[18-19]。

二、早期胃癌篩查系統設計方法

早期胃癌篩查系統的工作過程是：臨床醫生在內窺鏡下采集圖像，對采集到的圖像進行處理和分析，提取特征信號，確定可疑病灶；結合患者數據庫中獲取的高危因子信息，最終獲得診斷決策，為臨床醫生提供決策依據。系統采用C++作為開發語言，采用QtDesigner編寫可視化界面，系統工作流程見圖1。

（一）胃鏡圖像采集

通過一個線程在后臺進行圖像采集，并把采集的圖像顯示在主線程可視化界面上；為了降低系統的耦合性，使用回調函數返回采集的圖像。圖像輸出接口為高清數字分量串行接口，所提供的未壓縮高清圖像是圖像分析所需的最佳圖像來源。通過二代單路3G/HD/SD-SDI采集卡獲取內鏡主機的高清圖像信號，采集卡支持的像素可以達到2048×2048px，支持Windows和Linux操作系統。

（二）胃鏡圖像識別

早期胃癌篩查系統主要基于圖像識別方法，即首先從內窺鏡攝像裝置中提取相應的胃鏡檢查圖像，對圖像感興趣區域（ROI）進行增強處理，根據胃癌組織的相關特征，如顏色、紋理、形狀等，對輸入的圖像進行特征信息提取，如表1所示[10，18]。特征提取的方法：通過Canny邊緣提取、Meanshift圖像分割來提取ROI[17]；描述邊界的形態與特征：歐拉數、傅里葉描述子、面積、矩、光滑度、圓度等；描述空域(灰度)特征，例如方差、對比度、灰度均值等；描述變換域特征，例如小波變換等；描述圖像紋理特征，例如能量、慣性和熵[20]。特征信息提取后，建立識別模型，根據特征用分類器模型進行辨別分類，最終判別相應的病灶區域。運用模式識別的原理對圖像進行分類，分類器是把特征空間劃分為不同類別區域的“機器”。分類器算法有Adaboost算法、人工神經網絡（ANN）、支持向量機（SVM）等[21]。對提取的疑似病灶區域，進行圖像匹配，確定病灶陽性值。圖像識別算法基于Matlab軟件內部的圖像處理函數庫實現，圖像識別分為圖像預處理、區域分割、特征提取和病灶分類四部分。把采集到的胃鏡圖像進行ROI描述，獲取病灶部位病變組織的一些結構性變異，如形狀、顏色等，提取特征信號。胃鏡圖像病灶特征如圖2、圖3所示。

（三）數據挖掘

利用數據挖掘技術從患者數據庫中抓取患者年齡、性別、飲食、地域、煙酒、家族病史等信息，根據現有的研究結果，獲取這些變量與胃癌的相關性。引入風險因素和風險比值OR，設定OR值=1表示該因素對疾病的發生不起作用；OR值＞1表示該因素是危險因素；OR值＜1表示該因素是保護因素[22-23]。胃癌的發病與飲食和生活方式等因素有關，其風險比值如表2所示。地域環境：根據相關機構流行病學調查發現，胃癌發病率有明顯的地域性差別，在我國西北與東部沿海地區的胃癌發病率明顯高于南方地區，而廣西、廣東和貴州則低發[24]。年齡、性別差異：發病年齡在50~60歲的患者最多，5~14歲的患者最少，30~39歲的患者增長速度最快。男女發病率之比為2.3:1~3.6:1。飲食：飲食與胃癌發病關系密切，胃癌高危飲食習慣包括長期食用腌制食品、高鹽分食物、霉變食物、暴飲暴食、飲酒等。幽門螺桿菌感染：在我國的胃癌高發區，成人的幽門螺桿菌感染率高于60%。遺傳和基因：遺傳與分子生物學研究表明，在有血緣關系的親屬中有胃癌發病家族史的，其胃癌發病率明顯高于對照組。PLCE1基因與胃癌發生的相關性研究進展也有文獻報告，基因檢測成為胃癌高危人員篩查的重要突破口[25-26]。

（四）早期胃癌篩查系統結構

首先建立一個患者信息數據庫，數據庫信息包括患者個人信息、臨床檢驗數據、胃鏡檢查圖像及報告。在啟動胃癌篩查臨床輔助決策系統后，系統從數據庫挖取可用信息，并對胃鏡病灶圖像進行識別，判斷病灶性質，將結果作為臨床診斷依據輸出。系統結構見圖4。

三、總結與展望

綜上所述，本文設計的早期胃癌篩查系統基于胃鏡圖像識別，結合患者HIS基礎信息和檢驗數據分析，將計算機技術和專家經驗相結合，在大數據的支持下，實現胃癌的早期篩查。將地理位置、飲食習慣等與胃癌發病率相關的因素考慮在內，可以顯著提高胃癌篩查效率，提高早期胃癌診斷準確率，其準確率能夠達到85%以上?；诖伺R床決策支持系統，可以建立地區性的早期胃癌篩查標準流程，對區域內目標人群進行風險分類，將胃癌發生風險分為低、中、高3個等級，通過篩查系統評分提供精準檢查策略；在提高早期胃癌診斷準確率的同時，對低風險人群進行定時隨訪和健康宣教，降低胃癌發生風險，節約醫療資源。本文設計的早期胃癌篩查系統在圖像識別算法上采用的是開源代碼，其精準性略有不足。應從底層算法做起，建立數學模型，優化算法設計，不斷進行模擬訓練。通過獲取臨床大樣本數據，進行人工智能深度學習，提高算法準確性。要結合臨床驗證、大數據分析，不斷優化系統結構，提升識別效率，以提高陽性診出率，減少計算量和數據冗余。同時該系統在臨床的應用以及早癌篩查標準流程的完善方面都需要進一步的研究。

作者：黃天海 褚永華 張樺 單位：浙江大學醫學院附屬第二醫院