医疗数据处理、医疗数据分析方法、电子设备以及介质

本公开涉及人工智能技术领域，尤其涉及深度学习技术领域。更具体地，涉及一种医疗数据处理、医疗数据分析方法、电子设备以及介质。

随着人工智能技术的发展，人工智能技术在各个领域得到了广泛的应用。例如，在医学领域，可以利用人工智能技术进行医疗数据的处理和分析，得到基因突变预测结果和生存期预测结果。

发明内容

有鉴于此，本公开提供了一种医疗数据处理、医疗数据分析方法、电子设备以及介质。

根据本公开的一个方面，提供了一种医疗数据处理方法，包括：获取第一医疗影像数据；将上述第一医疗影像数据输入第一特征提取网络，得到第一影像特征；以及，根据上述第一影像特征，得到第一基因突变信息；其中，上述第一特征提取网络包括第一特征提取模块，上述第一特征提取模块配置为：根据上述第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵；根据上述第一影像查询矩阵和上述第一影像键矩阵，确定第一影像权重矩阵，其中，上述第一影像权重矩阵表征上述第一医疗影像数据中每两个第一医疗影像彼此之间的关联关系信息；根据上述第一影像权重矩阵和上述第一医疗影像数据，确定上述第一影像特征。

根据本公开的另一个方面，提供了一种医疗数据处理方法，包括：获取第一医疗文本数据和第二医疗影像数据；根据上述第二医疗影像数据，得到第二影像特征；将上述第一医疗文本数据输入第二特征提取网络，得到第一文本特征；将上述第二影像特征和上述第一文本特征进行特征融合，得到第一融合特征；以及，根据上述第一融合特征，得到第一生存期信息。

根据本公开的另一个方面，提供了一种医疗数据分析方法，包括：获取第二医疗文本数据和第三医疗影像数据；将上述第三医疗影像数据输入第三特征提取网络， 得到第三影像特征；根据上述第三影像特征，确定第二基因突变信息；将上述第二医疗文本数据输入第四特征提取网络，得到第二文本特征；以及，根据上述第三影像特征和上述第二文本特征的融合特征，确定第二生存期信息；其中，上述第三特征提取网络包括第四特征提取模块，上述第四特征提取模块配置为：根据上述第三医疗影像数据，确定第三影像查询矩阵和第三影像键矩阵；根据上述第三影像查询矩阵和上述第三影像键矩阵，确定第三影像权重矩阵，其中，上述第三影像权重矩阵表征上述第三医疗影像数据中每两个第三医疗影像彼此之间的关联关系信息；根据上述第三影像权重矩阵和上述第三医疗影像数据，确定上述第三影像特征。

本公开的另一个方面提供了一种电子设备，包括：一个或多个第一处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个第一处理器执行时，使得上述一个或多个处理器实现如本公开所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被执行时用于实现如本公开所述的方法。

本公开的另一方面提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述指令在被执行时用于实现如本公开所述的方法。

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用医疗数据处理方法、医疗数据分析方法及装置的示例性系统架构；

图2示意性示出了根据本公开实施例的医疗数据处理方法的流程图；

图3A示意性示出了根据本公开实施例的根据第一影像特征，得到第一基因突变信息的示例示意图；

图3B示意性示出了根据本公开另一实施例的根据第一影像特征，得到第一基因突变信息的示例示意图；

图4A示意性示出了根据本公开实施例的根据第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵的示例示意图；

图4B示意性示出了根据本公开另一实施例的根据第一医疗影像数据，确定第一 影像查询矩阵和第一影像键矩阵的示例示意图；

图5A示意性示出了根据本公开实施例的确定影像类型信息的示例示意图；

图5B示意性示出了根据本公开实施例的医疗影像数据对比学习网络训练过程的示例示意图；

图5C示意性示出了根据本公开实施例的医疗影像元数据对比学习网络训练过程的示例示意图；

图6示意性示出了根据本公开实施例的第一特征提取网络和分类网络训练过程的示例示意图；

图7示意性示出了根据本公开另一实施例的医疗数据处理方法的流程图；

图8示意性示出了根据本公开实施例的根据第一融合特征，得到第一生存期信息的示例示意图；

图9示意性示出了根据本公开实施例的融合深度学习网络训练过程的示例示意图；

图10示意性示出了根据本公开实施例的医疗数据分析方法的流程图；

图11A示意性示出了根据本公开实施例的确定第二基因突变信息和第二生存期信息的示例示意图；

图11B示意性示出了根据本公开另一实施例的确定第二基因突变信息和第二生存期信息的示例示意图；

图11C示意性示出了根据本公开另一实施例的确定第二基因突变信息和第二生存期信息的示例示意图；

图11D示意性示出了根据本公开另一实施例的确定第二基因突变信息和第二生存期信息的示例示意图；

图12示意性示出了根据本公开实施例的生成检测报告的示例示意图；

图13A示意性示出了根据本公开实施例的根据第三损失函数值和第四损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数的示例示意图；

图13B示意性示出了根据本公开另一实施例的根据第三损失函数值和第四损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数的示例示意图；

图14示意性示出了根据本公开的实施例的医疗数据处理装置的框图；

图15示意性示出了根据本公开的实施例的医疗数据处理装置的框图；

图16示意性示出了根据本公开的实施例的医疗数据分析装置的框图；以及

图17示意性示出了根据本公开实施例的适于实现医疗数据处理方法和医疗数据分析方法的电子设备的框图。

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

随着高通量阵列和新一代测序技术的发展，基因组分析得到了广泛应用。可以基于基因组分析进行基因突变检测和生存期预测。基因突变检测和生存期预测对病症的疾病分级、分子分型、用药指导、预后效果评估等中的至少之一具有较为重要 的临床意义。但是，目前的基因突变检测方法和生存期预测方法对对象具有一定损伤。此外，由于未考虑到基因突变检测和生存期预测之间的相关性，导致测序耗时较长和检测成本较高。

为此，本公开实施例提供了一种医疗数据处理方案。例如，可以获取第一医疗影像数据。将第一医疗影像数据输入第一特征提取网络，得到第一影像特征。根据第一影像特征，得到第一基因突变信息。第一特征提取网络包括第一特征提取模块，第一特征提取模块配置为：根据第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵。根据第一影像查询矩阵和第一影像键矩阵，确定第一影像权重矩阵。第一影像权重矩阵表征第一医疗影像数据中每两个第一医疗影像彼此之间的关联关系信息。根据第一影像权重矩阵和第一医疗影像数据，确定第一影像特征。

根据本公开的实施例，由于第一影像特征是根据第一医疗影像数据和第一影像权重矩阵确定的，因而第一影像特征能够表征第一医疗影像数据中每两个第一医疗影像彼此之间的关联关系信息。此外，由于经第一特征提取网络得到的第一影像特征可以较为准确地表征第一医疗影像数据，在此基础上，根据第一影像特征，得到第一基因突变信息，实现了影像数据特征提取和基因突变信息检测的联合，由此，提高了基因突变检测的全面性和准确性。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1示意性示出了根据本公开实施例的可以应用医疗数据处理方法、医疗数据分析方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用医疗数据处理方法、医疗数据分析方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的医疗数据处理方法、医疗数据分析方法及装置。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103， 网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103与服务器105上可以安装有各种通讯客户端应用，通讯客户端应用可以包括小程序和手机软件(Application，APP)等中的至少之一。例如，通讯客户端应用可以包括购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和社交平台软件等中的至少之一。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括智能手机、平板电脑、膝上型便携计算机和台式计算机等中的至少之一。

服务器105可以是提供各种服务的各种类型的服务器。例如，服务器105可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(Virtual Private Server，虚拟专用服务器)中，存在的管理难度大，业务扩展性弱的缺陷。服务器105也可以为分布式系统的服务器，或者是结合了区块链的服务器。

需要说明的是，本公开实施例所提供的医疗数据处理方法和医疗数据分析方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的医疗数据处理装置和医疗数据分析装置也可以设置于终端设备101、102、或103中。

备选地，本公开实施例所提供的医疗数据处理方法和医疗数据分析方法一般也可以由服务器105执行。相应地，本公开实施例所提供的医疗数据处理装置和医疗数据分析装置一般可以设置于服务器105中。本公开实施例所提供的医疗数据处理方法和医疗数据分析方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的医疗数据处理装置和医疗数据分析装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示 顺序来执行。

图2示意性示出了根据本公开实施例的医疗数据处理方法的流程图。

如图2所示，该方法200包括操作S210～S230。

在操作S210，获取第一医疗影像数据。

在操作S220，将第一医疗影像数据输入第一特征提取网络，得到第一影像特征。

在操作S230，根据第一影像特征，得到第一基因突变信息。

根据本公开的实施例，第一特征提取网络可以包括第一特征提取模块。第一特征提取模块可以配置为：根据第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵。根据第一影像查询矩阵和第一影像键矩阵，确定第一影像权重矩阵。第一影像权重矩阵可以表征第一医疗影像数据中每两个第一医疗影像彼此之间的关联关系信息。根据第一影像权重矩阵和第一医疗影像数据，确定第一影像特征。

根据本公开的实施例，可以响应于检测到医疗数据处理指令，从数据源中获取第一医疗影像数据。数据源可以包括以下至少之一：本地数据库、云数据库和网络资源。数据源可以基于以下方式至少之一构建得到：通过对用户进行问卷调查所获得的用户医疗信息构建，或者通过对用户的历史行为数据进行分析所得到的用户医疗信息构建。云数据库可以包括TCGA(The Cancer Genome Atlas)数据库、TCIA(The Cancer Immunome Atlas)数据库。可以调用数据接口，利用数据接口从数据源中获取第一医疗影像数据。备选地，可以响应于检测到医疗数据处理指令，从医疗数据处理指令中获取用户输入的用户信息。

根据本公开的实施例，第一医疗影像数据可以是指医学领域中的重要数据，在辅助医生进行诊断和病理研究等方面有着较为重要的作用。可以利用第一医疗影像数据进行基因突变检测。第一医疗影像数据可以包括以下至少之一：MRI(Magnetic Resonance Imaging，磁共振成像)影像数据、CT(Computerized Tomography，计算机断层扫描)影像数据、ECT(Emission Computed Tomography，发射型计算机层析成像)影像数据、PET(Positron Emission Computed Tomography，正电子发射计算机断层显像)影像数据、超声影像数据、OCT(Optical Coherence Tomography，光学相干层析成像)影像数据和X射线影像数据。第一医疗影像数据可以是三维医学图像数据。

根据本公开的实施例，第一医疗影像数据可以包括单模态影像数据和多模态影像数据中的至少之一。多模态影像数据可以指同一影像数据的不同形式，也可以指至少两个不同类型的医学影像数据。例如，MRI影像数据可以是多模态MRI影像数据。多模态MRI影像数据可以包括以下至少两个：T1模态影像数据(即T1加权影像数据)、T2模态影像数据(即T2加权影像数据)、T1CE模态影像数据(即对比度增强的T1加权影像数据)和FLAIR(FLuid Attenuated Inversion Recovery，流体衰减反转恢复)模态影像数据。

根据本公开的实施例，在第一医疗影像数据是单模态医疗影像数据的情况下，单模态影像特征可以与单模态医疗影像数据自身相对应。在第一医疗影像数据是多模态医疗影像数据的情况下，多模态影像特征可以包括多个模态中的一个或至少两个。例如，在多模态医疗影像数据是多模态MRT图像的情况下，多模态影像特征可以包括以下至少之一：T1模态、T2模态、T1CE模态和FLAIR模态。

根据本公开的实施例，肿瘤可以包括以下之一：原发性肿瘤和继发性肿瘤。原发性肿瘤可以包括以下之一：良性肿瘤和恶性肿瘤。病变可以与基因突变相关。

例如，在第一医疗影像数据是与脑部相关的影像数据的情况下，脑部肿瘤可以包括以下之一：听神经瘤、垂体瘤、脑膜瘤、来源于胚胎残余组织的肿瘤和神经胶质瘤(即脑胶质瘤)。来源于胚胎残余组织的肿瘤可以包括以下至少之一：颅咽管瘤、表皮样囊肿和脊索瘤等。脑胶质瘤可以包括以下至少之一：胶质母细胞瘤、星形细胞瘤、少枝胶质细胞瘤和髓母细胞瘤等。针对肿瘤的恶性级别，脑胶质瘤可以包括以下至少之一：低级别脑胶质瘤和高级别脑胶质瘤。低级别脑胶质瘤是良性肿瘤，预后效果较好。高级别脑胶质瘤是恶性肿瘤，预后效果较差。脑胶质瘤的基因特征检测可以是脑胶质瘤精准诊疗的基础。

根据本公开的实施例，与脑胶质瘤对应的多突变基因可以包括以下至少两个：异柠檬酸脱氢酶(Isocitrate：NAD+Oxidoreductase(Decarboxylating)，IDH)突变、染色体1p/19q联合缺失突变、端粒酶逆转录酶(Telomerase Reverse Tranase，TERT)突变、O6-甲基鸟嘌呤-DNA甲基转移酶(O6-Methylguanine Deoxyribose Nucleic Acid Methyltranferase，MGMT)启动子区甲基化突变和表皮生长因子变体(Epidermal Growth Factor Receptor Variant，EGFRv)扩增、α-地中海贫血伴智力低下综合征(X -linked Alpha Thalassemia Mental Retardation Syndrome，ATRX)缺失和Notch信号通路等。

根据本公开的实施例，在获取到第一医疗影像数据之后，可以利用第一特征提取网络处理第一医疗影像数据，得到第一影像特征。第一特征提取网络可以包括能够实现医疗数据处理的第一深度学习模型。第一特征提取网络可以是利用第一样本医疗影像数据训练第一深度学习模型得到的。第一深度学习模型的模型结构可以根据实际业务需求进行配置，在此不作限定。例如，第一深度学习模型可以包括至少一个模型结构。模型结构可以包括至少一个模型子结构和各个模型子结构彼此之间的连接关系。

根据本公开的实施例，第一深度学习模型可以包括以下至少之一：基于卷积神经网络(Convolutional Neural Networks，CNN)的第一深度学习模型、基于循环神经网络(Recurrent Neural Network，RNN)的第一深度学习模型和基于转换器(Transformer)的第一深度学习模型。第一深度学习模型的训练方式可以根据实际业务需求进行配置，在此不作限定。例如，训练方式可以包括以下至少之一：无监督训练、有监督训练和半监督训练。

根据本公开的实施例，第一基因突变信息可以根据实际业务需求进行设置，在此不作限定。例如，在第一医疗影像数据所对应的器官部位为脑部的情况下，第一基因突变信息可以包括以下至少两个：第一IDH突变信息、第一染色体1p/19q联合缺失突变信息、第一TERT突变信息和第一MGMT启动子区甲基化突变信息。备选地，在第一医疗影像数据所对应的器官部位为肺部的情况下，第一基因突变信息可以包括以下至少两个：EGFR(Epidermal Growth Factor Receptor，表皮生长因子受体)突变信息和KRAS(V-Ki-ras2 Kirsten Ratsarcoma Viral Oncogene Homolog)突变信息等。备选地，在第一医疗影像数据所对应的器官部位为结直肠的情况下，第一基因突变信息可以包括以下至少两个：KRAS突变信息、NRAS突变信息和BRAF突变信息等。

根据本公开的实施例，第一医疗影像数据可以包括医疗影像数据序列。医疗影像数据序列中可以包括与多个第一医疗影像各自对应的医疗影像参数矩阵。多个医疗影像参数矩阵可以分别用于表征对应的第一医疗影像。可以通过对多个医疗影像 参数矩阵分别进行线性变换运算，确定与多个第一医疗影像各自对应的第一影像查询矩阵和第一影像键矩阵。

根据本公开的实施例，在获得第一影像查询矩阵和第一影像键矩阵之后，可以根据与多个第一医疗影像各自对应的第一影像查询矩阵和第一影像键矩阵，确定多个第一医疗影像各自的第一影像权重矩阵。第一影像权重矩阵可以用于表征多个第一医疗影像中每两个第一医疗影像彼此之间的关联关系信息。例如，可以将与多个第一医疗影像中的第t个第一医疗影像对应的第一影像查询矩阵和第一影像键矩阵进行矩阵相乘处理，得到第t个第一医疗影像的第一影像权重矩阵。关联关系信息可以包括第一关联关系信息和第二关联关系信息。第一关联关系信息可以用于表征第t-1个第一医疗影像和第t个第一医疗影像之间的关联关系信息。第二关联关系信息可以用于表征第t个第一医疗影像和第t+1个第一医疗影像之间的关联关系信息。

根据本公开的实施例，由于第一影像特征是根据第一医疗影像数据和第一影像权重矩阵确定的，因而第一影像特征能够表征第一医疗影像数据中每两个第一医疗影像彼此之间的关联关系信息。此外，由于经第一特征提取网络得到的第一影像特征可以较为准确地表征第一医疗影像数据，在此基础上，根据第一影像特征，得到第一基因突变信息，实现了影像数据特征提取和基因突变信息检测的联合，由此，提高了基因突变检测的全面性和准确性。

下面参考图3A、图3B、图4A、图4B、图5A、图5B、图5C和图6，对根据本公开实施例的医疗数据处理方法200做进一步说明。

根据本公开的实施例，多种单模态医疗影像数据包括以下至少一种：与解剖结构对应的单模态医疗影像数据、与病变部位对应的单模态医疗影像数据、与浮肿区域对应的单模态医疗影像数据和与对比度增强对应的单模态医疗影像数据。

根据本公开的实施例，操作S220可以包括如下操作。将多种单模态医疗影像数据输入与多种单模态医疗影像数据各自对应的子第一特征提取网络，得到多个单模态影像特征。

根据本公开的实施例，操作S230可以包括如下操作。将多个单模态影像特征进行特征拼接，得到拼接影像特征。将拼接影像特征输入第一分类网络，得到第一基因突变信息。

根据本公开的实施例，第一医疗影像数据可以包括多种单模态医疗影像数据。 第一特征提取网络可以包括与多种单模态医疗影像数据各自对应的子第一特征提取网络。

根据本公开的实施例，多个子第一特征提取网络可以分别用于提取各自的单模态医疗影像数据。例如，多个单模态医疗影像数据可以包括单模态医疗影像数据1、单模态医疗影像数据2、...、单模态医疗影像数据m、...、和单模态医疗影像数据M。多个子第一特征提取网络可以包括子第一特征提取网络1、子第一特征提取网络2、...、子第一特征提取网络m、...、和子第一特征提取网络M。M可以是大于或等于1的整数，m∈{1，2，...，(M-1)，M}。

在此情况下，可以利用子第一特征提取网络1处理单模态医疗影像数据1，得到单模态影像特征1。利用子第一特征提取网络2处理单模态医疗影像数据2，得到单模态影像特征2。利用子第一特征提取网络m处理单模态医疗影像数据m，得到单模态影像特征m。利用子第一特征提取网络M处理单模态医疗影像数据M，得到单模态影像特征M。可以对单模态影像特征1、单模态影像特征2、...、单模态影像特征m、...、和单模态影像特征M进行特征拼接处理，以得到拼接影像特征。

根据本公开的实施例，在获得拼接影像特征之后，可以利用第一分类网络处理拼接影像特征，得到第一基因突变信息。第一分类网络可以包括能够实现分类的第二深度学习模型。第一分类网络可以是利用样本拼接影像特征训练第二深度学习模型得到的。第二深度学习模型的模型结构可以根据实际业务需求进行配置，在此不作限定。例如，第二深度学习模型可以包括以下至少之一：基于卷积神经网络的第二深度学习模型、基于循环神经网络的第二深度学习模型、基于深度信念网络(Deep Belief Networks，DBN)的第二深度学习模型和基于受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)的第二深度学习模型。

根据本公开的实施例，由于第一医疗影像数据包括多种单模态医疗影像数据，多个单模态影像特征是利用多个子第一特征提取网络分别处理对应的单模态医疗影像数据得到的。在此基础上，由于拼接影像特征是通过将多个单模态影像特征进行特征拼接得到的，因而保障了第一基因突变信息的全面性。

图3A示意性示出了根据本公开实施例的根据第一影像特征，得到第一基因突变信息过程的示例示意图。

如图3A所示，第一医疗影像数据301可以包括多种单模态医疗影像数据。多 种单模态医疗影像数据可以包括单模态医疗影像数据301_1、单模态医疗影像数据301_2、...、单模态医疗影像数据301_m、...、单模态医疗影像数据301_M。M可以是大于或等于1的整数，m∈{1，2，...，(M-1)，M}。

第一特征提取网络302可以包括与多种单模态医疗影像数据各自对应的子第一特征提取网络。子第一特征提取网络可以包括子第一特征提取网络302_1、子第一特征提取网络302_2、...、子第一特征提取网络302_m、...、子第一特征提取网络302_M。

可以利用子第一特征提取网络302_1处理单模态医疗影像数据301_1，得到单模态影像特征303_1。利用子第一特征提取网络302_2处理单模态医疗影像数据301_2，得到单模态影像特征303_2。利用子第一特征提取网络302_m处理单模态医疗影像数据301_m，得到单模态影像特征303_m。利用子第一特征提取网络302_M处理单模态医疗影像数据301_M，得到单模态影像特征303_M。

在获得单模态影像特征303_1、单模态影像特征303_2、...、单模态影像特征303_m、...、单模态影像特征303_M之后，可以进行特征拼接，得到拼接影像特征304。可以利用第一分类网络305处理拼接影像特征304，得到第一基因突变信息306。

根据本公开的实施例，操作S220还可以包括如下操作。将多模态医疗影像数据输入多个子第一特征提取网络，得到多个多模态影像特征。

根据本公开的实施例，操作S230还可以包括如下操作。将多个多模态影像特征输入第二分类网络，得到多个单一基因突变类型预测信息。将多个单一基因突变类型预测信息进行组合，得到第一基因突变信息。

根据本公开的实施例，第一医疗影像数据可以包括多模态医疗影像数据。第一特征提取网络可以包括多个子第一特征提取网络。

根据本公开的实施例，多个子第一特征提取网络可以分别用于提取各自的多模态医疗影像数据。例如，多个多模态医疗影像数据可以包括多模态医疗影像数据1、多模态医疗影像数据2、...、多模态医疗影像数据n、...、和多模态医疗影像数据N。多个子第一特征提取网络可以包括子第一特征提取网络1、子第一特征提取网络2、...、子第一特征提取网络n、...、和子第一特征提取网络N。N可以是大于或等于1的整数，n∈{1，2，...，(N-1)，N}。

在此情况下，可以利用子第一特征提取网络1处理多模态医疗影像数据1，得 到多模态影像特征1。利用子第一特征提取网络2处理多模态医疗影像数据2，得到多模态影像特征2。利用子第一特征提取网络n处理多模态医疗影像数据n，得到多模态影像特征n。利用子第一特征提取网络N处理多模态医疗影像数据N，得到多模态影像特征N。

根据本公开的实施例，在获得多模态影像特征1、多模态影像特征2、...、多模态影像特征n、...、和多模态影像特征N之后，可以利用第二分类网络对各个多模态影像特征分别进行处理，得到多个单一基因突变类型预测信息。第二分类网络可以包括能够实现分类的第三深度学习模型。第二分类网络可以是利用样本多模态影像特征训练第三深度学习模型得到的。第三深度学习模型的模型结构可以根据实际业务需求进行配置，在此不作限定。例如，第三深度学习模型可以包括以下至少之一：基于卷积神经网络的第三深度学习模型、基于循环神经网络的第三深度学习模型、基于深度信念网络的第三深度学习模型和基于受限玻尔兹曼机的第三深度学习模型。

根据本公开的实施例，第二分类网络可以包括与多个多模态影像特征各自对应的子第二分类网络。

根据本公开的实施例，将多个多模态影像特征输入第二分类网络，得到多个单一基因突变类型预测信息可以包括如下操作。将多个多模态影像特征输入与多个多模态影像特征各自对应的子第二分类网络，得到多个单一基因突变类型预测信息。

根据本公开的实施例，多个子第二分类网络可以分别用于对各自的多模态影像特征进行分类处理。多个子第二分类网络可以包括子第二分类网络1、子第二分类网络2、...、子第二分类网络n、...、和子第二分类网络N。N可以是大于或等于1的整数，n∈{1，2，...，(N-1)，N}。

在此情况下，可以利用子第二分类网络1处理多模态影像特征1，得到单一基因突变类型预测信息1。利用子第二分类网络2处理多模态影像特征2，得到单一基因突变类型预测信息2。利用子第二分类网络n处理多模态影像特征n，得到单一基因突变类型预测信息n。利用子第二分类网络N处理多模态影像特征N，得到单一基因突变类型预测信息N。

根据本公开的实施例，在获得单一基因突变类型预测信息1、单一基因突变类型预测信息2、...、单一基因突变类型预测信息n、...、和单一基因突变类型预测信 息N之后，可以利用第四深度学习模型对各个单一基因突变类型预测信息进行组合，得到第一基因突变信息。第四深度学习模型可以包括能够实现信息组合的深度学习模型。第四深度学习模型可以是利用样本单一基因突变类型预测信息训练深度学习模型得到的。第四深度学习模型的模型结构可以根据实际业务需求进行配置，在此不作限定。

根据本公开的实施例，子第二分类网络可以包括异柠檬酸脱氢酶突变分类网络、染色体1p/18q分类网络、端粒酶逆转录酶启动子分类网络以及O

根据本公开的实施例，异柠檬酸脱氢酶是存在于糖代谢中的较为重要的蛋白质，它催化异柠檬氧化脱羧成α-酮戊二酸(即α-KG)。在上述过程中产生还原型烟酰胺腺嘌呤二核苷酸磷酸(Nicotinamide Adenine Dinucleotide Phosphate，NADPH)和NADH中的之一。α-KG是控制组蛋白修饰的多种双加氧酶的底物，它在调节谷氨酸生成和细胞对氧化和能量应激的反应中起着重要作用。IDH突变可以导致D-2羟基戊二酸(即D-2-HG)的异常产生和积累，导致细胞能量学和甲基化组改变。异柠檬酸脱氢酶突变分类网络可以用于对与异柠檬酸脱氢酶突变相关的多模态影像特征进行分类处理，以得到异柠檬酸脱氢酶基因突变类型预测信息。异柠檬酸脱氢酶基因突变类型预测信息可以包括以下至少一：IDH突变型预测结果和IDH野生型预测结果。

根据本公开的实施例，染色体1p/19q联合性缺失可以指1号染色体短臂和19号染色体长臂同时缺失。染色体1p/19q联合缺失与少突胶质瘤高度相关，是其分子标志物。染色体1p/19q联合性缺失与IDH基因突变相关，即如果存在染色体1p/19q，则存在IDH基因突变。染色体1p/18q分类网络可以用于对与染色体1p/18q突变相关的多模态影像特征进行分类处理，以得到染色体1p/18q基因突变类型预测信息。染色体1p/18q基因突变类型预测信息可以包括以下之一：染色体1p/19q联合缺失预测结果和目标染色体1p/19q未联合缺失预测结果。

根据本公开的实施例，端粒酶是具有逆转录活性的核糖核蛋白聚合酶。端粒酶的活性可以取决于具有催化活性的TERT的转录调节。端粒酶的活性与TERT的表达呈正相关。TERT启动子突变可以导致端粒酶激活，使得细胞永生化。端粒酶逆转录酶启动子分类网络可以用于对与端粒酶逆转录酶突变相关的多模态影像特征进行 分类处理，以得到端粒酶逆转录酶基因突变类型预测信息。端粒酶逆转录酶突变类型预测信息可以包括以下之一：端粒酶逆转录酶突变型预测结果和端粒酶逆转录酶野生型预测结果。

根据本公开的实施例，MGMT可以是一种DNA修复蛋白，可以用于移除DNA上鸟嘌呤氧6位点致突变的烷基加合物，使受损的鸟嘌呤恢复，从而能够保护细胞免疫受烷化剂的损伤。正常组织的CpG位点处于非甲基化状态，MGMT启动子区甲基化将引起MGMT表达缺失，导致细胞的MGMT的含量降低和DNA修复受阻。MGMT启动子区甲基化可以是脑胶质瘤发生和发展的机制之一。O6-甲基鸟嘌呤-DNA甲基转移酶分类网络可以用于对与O6-甲基鸟嘌呤-DNA甲基转移酶突变相关的多模态影像特征进行分类处理，以得到O6-甲基鸟嘌呤-DNA甲基转移酶基因突变类型预测信息。O6-甲基鸟嘌呤-DNA甲基转移酶突变类型预测信息可以包括以下之一：O6-甲基鸟嘌呤-DNA甲基转移酶启动子区甲基化预测结果和O6-甲基鸟嘌呤-DNA甲基转移酶启动子区未甲基化预测结果。

根据本公开的实施例，基于包括多种单模态医疗影像数据或多模态医疗影像数据的第一医疗影像数据，能够实现IDH突变、染色体1p/19q联合缺失、TERT突变和MGMT启动子区甲基化的较为高精度的多基因突变检测。

根据本公开的实施例，多个子第一特征提取网络彼此之间的模型参数可以共享。

根据本公开的实施例，在多个子第一特征提取网络分别用于提取各自的单模态医疗影像数据的情况下，多个子第一特征提取网络彼此之间的模型参数可以共享。在多个子第一特征提取网络可以分别用于提取各自的多模态医疗影像数据的情况下，多个子第一特征提取网络彼此之间的模型参数可以共享。

根据本公开的实施例，由于第一医疗影像数据包括多模态医疗影像数据，多个多模态影像特征是利用多个子第一特征提取网络分别处理对应的多模态医疗影像数据得到的。在此基础上，由于多个单一基因突变类型预测信息是通过利用第二分类网络处理多个多模态影像特征得到的，因而保障了第一基因突变信息的全面性。

图3B示意性示出了根据本公开另一实施例的根据第一影像特征，得到第一基因突变信息的示例示意图。

如图3B所示，第一医疗影像数据307可以包括多模态医疗影像数据307_1。第一特征提取网络308包括多个子第一特征提取网络。多个子第一特征提取网络可以 包括子第一特征提取网络308_1、子第一特征提取网络308_2、...、子第一特征提取网络308_n、...、子第一特征提取网络308_N。N可以是大于或等于1的整数，n∈{1，2，...，(N-1)，N}。

可以利用子第一特征提取网络308_1处理多模态医疗影像数据307_1，得到多模态影像特征309_1。利用子第一特征提取网络308_2处理多模态医疗影像数据307_1，得到多模态影像特征309_2。利用子第一特征提取网络308_n处理多模态医疗影像数据307_1，得到多模态影像特征309_n。利用子第一特征提取网络308_N处理多模态医疗影像数据307_1，得到多模态影像特征309_N。

在获得多模态影像特征309_1、多模态影像特征309_2、...、多模态影像特征309_n、...、多模态影像特征309_N之后，可以将多个多模态影像特征输入第二分类网络310，得到多个单一基因突变类型预测信息。第二分类网络310可以包括子第二分类网络310_1、子第二分类网络310_2、...、子第二分类网络310_n、...、子第二分类网络310_N。

可以利用子第二分类网络310_1处理多模态影像特征309_1，得到单一基因突变类型预测信息311_1。利用子第二分类网络310_2处理多模态影像特征309_2，得到单一基因突变类型预测信息311_2。利用子第二分类网络310_n处理多模态影像特征309_n，得到单一基因突变类型预测信息311_n。利用子第二分类网络310_N处理多模态影像特征309_N，得到单一基因突变类型预测信息311_N。

在获得单一基因突变类型预测信息311_1、单一基因突变类型预测信息311_2、...、单一基因突变类型预测信息311_n、...、单一基因突变类型预测信息311_N之后，可以确定第一基因突变信息312。

根据本公开的实施例，医疗数据处理方法200还可以包括如下操作。

将多个第一医疗影像输入第二特征提取模块，得到第一时序影像特征。第一时序影像特征表征多个第一医疗影像彼此之间的时序关系。

根据本公开的实施例，根据第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵可以包括如下操作。

将第一时序影像特征输入第一特征提取模块，得到第一影像查询矩阵和第一影像键矩阵。

根据本公开的实施例，第一医疗影像数据可以包括多个第一医疗影像，第一特 征提取网络还可以包括第二特征提取模块。可以利用第二特征提取模块处理多个第一医疗影像，得到第一时序影像特征。第二特征提取模块的模型结构可以根据实际业务需求进行配置，在此不作限定。例如，第二特征提取模块可以包括以下至少之一：LSTM(Long Short-Term Memory，长短期记忆网络)和Bi-LSTM(Bi-directional Long Short-Term Memory，双向长短期记忆网络)。Bi-LSTM可以包括前向LSTM和后向LSTM。

根据本公开的实施例，以第二特征提取模块为Bi-LSTM为例，Bi-LSTM为两层具有128个单元的LSTM，第一层LSTM的输出可以作为第二层LSTM的输入。在第一医疗影像的数量为X个的情况下，X个的第一医疗影像可以按照扫描编号排序，在经第三特征提取模块处理第一医疗影像之后，可以输出X×512的张量。通过利用Bi-LSTM处理该X×512的张量，即通过Bi-LSTM中的前向LSTM和后向LSTM可以得到每一第一医疗影像的双向特征编码。将前向LSTM和后向LSTM各自输出的特征编码进行拼接，可以得到X×256的张量。该X×256的张量可以用于表征多个第一医疗影像彼此之间的时序关系的第一时序影像特征。

根据本公开的实施例，在获得第一时序影像特征之后，可以将第二特征提取模块输出的第一时序影像特征作为第一特征提取模块的输入。在此情况下，可以利用第一特征提取模块处理第一时序影像特征，得到第一影像查询矩阵和第一影像键矩阵。第一特征提取模块的计算方式可以如下式(1)～(3)所示。

其中，α

图4A示意性示出了根据本公开实施例的根据第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵的示例示意图。

如图4A所示，第一医疗影像数据401可以包括多个第一医疗影像。多个第一医疗影像可以包括第一医疗影像401_1、第一医疗影像401_2、...、第一医疗影像 401_p、...、第一医疗影像401_P。P可以是大于或等于1的整数，p∈{1，2，...，(P-1)，P}。

第一特征提取网络402可以包括第二特征提取模块402_1和第一特征提取模块402_2。可以利用第二特征提取模块402_1处理多个第一医疗影像，得到第一时序影像特征403。

在获得第一时序影像特征403之后，可以利用第一特征提取模块402_2处理第一时序影像特征403，得到第一影像查询矩阵404_1和第一影像键矩阵404_2。

根据本公开的实施例，第一特征提取网络还可以包括第三特征提取模块。

根据本公开的实施例，医疗数据处理方法200还可以包括如下操作。

将多个第一医疗影像输入第三特征提取模块，得到多个第一中间影像特征。

根据本公开的实施例，将多个第一医疗影像输入第二特征提取模块，得到第一时序影像特征可以包括如下操作。

将多个第一中间影像特征输入第二特征提取模块，得到第一时序影像特征。

根据本公开的实施例，第三特征提取模块可以用于获取第一中间影像特征。第三特征提取模块的模型结构可以根据实际业务需求进行配置，在此不作限定。例如，第三特征提取模块可以包括基于编码器-解码器的特征提取结构和基于全卷积神经网络的特征提取结构。基于编码器-解码器的特征提取结构可以包括以下至少之一：基于Transformer(即转换器)的特征提取结构和基于卷积神经网络的深度学习模型。编码器-解码器可以包括以下之一：对称编码器-解码器和非对称编码器-解码器。基于Transformer的特征提取结构和基于全卷积神经网络的特征提取结构的模型架构可以包括以下之一：U型模型架构和V型模型架构。例如，U型模型架构可以包括以下至少之一：U-Net、D-LinkNet和MDU-Net(即Multi-scale Densely Connected U-Net)。

根据本公开的实施例，第三特征提取模块可以包括第一最大池化层、第一残差单元、第一下采样单元和第一平均池化层。

根据本公开的实施例，可以利用第三特征提取模块对多个第一医疗影像分别进行特征提取，得到多个第一中间影像特征。例如，第三特征提取模块可以包括下采样模块和上采样模块。可以利用第三特征提取模块的下采样模块处理多个第一医疗影像，得到多个第一中间影像特征。下采样模块可以包括以下之一：第一卷积神经网络和基于Transformer的编码器。Transformer可以包括视觉Transformer。视觉 Transformer可以包括以下至少之一：Vision Transformer和Swin Transformer。第一卷积神经网络可以包括以下至少之一：ResNet(Residual Neural Network，残差神经网络)、VGGNet(Visual Geometry Group Network，视觉几何群网络)、WideResNet(Wide Residual Network，宽残差网络)和DenseNet(Dense Neural Network，稠密神经网络)。

根据本公开的实施例，下采样模块可以包括至少一个级联的下采样单元。下采样单元可以包括第一最大池化层、第一残差单元、第一下采样单元和第一平均池化层。第一下采样单元可以包括至少一个第一卷积层。第一最大池化层可以包括至少一个池化层。第一医疗影像依次经由至少一个级联的下采样单元，每通过一个下采样单元得到的与图像特征数据对应的特征图的尺寸减小。下采样单元可以用于实现对与该特征提取单元对应的尺度的图像特征数据进行下采样。

根据本公开的实施例，可以使用线性整流激活函数(即ReLU)作为隐藏状态的激活函数。通过使用ReLU激活函数，可以使得信息传输更加直接，避免使用Tanh激活函数带来的梯度消失问题。

根据本公开的实施例，第一特征提取网络可以包括第三特征提取模块和第一特征提取模块。可以将多个第一医疗影像输入第三特征提取模块，得到多个第一中间影像特征。根据多个第一中间影像特征，确定第一影像查询矩阵和第一影像键矩阵。根据第一影像查询矩阵和第一影像键矩阵，确定第一影像权重矩阵。第一影像权重矩阵表征第一医疗影像数据中每两个第一医疗影像彼此之间的关联关系信息。根据第一影像权重矩阵和第一医疗影像数据，确定第一影像特征。

根据本公开的实施例，第一最大池化层可以包括级联的第一卷积层、第一正则化层、第一激活函数层和最大池化层。第一残差单元可以包括级联的第二卷积层、第二正则化层、第二激活函数层、第三卷积层和第三正则化层。第一下采样单元可以包括级联的第四卷积层、第四正则化层、第三激活函数层、第五卷积层、第五正则化层、第六卷积层和第六正则化层。第一平均池化层可以用于将处理后的影像特征转换为第一影像特征。

根据本公开的实施例，第三特征提取模块可以被配置为级联的第一最大池化层、三个第一残差单元、一个第一下采样单元、三个第一残差单元、一个第一下采样单元、五个第一残差单元、一个第一下采样单元、两个第一残差单元和一个第一平均 池化层。

根据本公开的实施例，第一卷积层可以包括步长为2的7*7的卷积核。最大池化层可以包括步长为2的3*3的卷积核。第二卷积层、第三卷积层和第五卷积层可以包括步长为1的3*3的卷积核。第四卷积层可以包括步长为2的3*3的卷积核。第六卷积可以包括步长为2的1*1的卷积核。

根据本公开的实施例，第一最大池化层可以被配置为利用一个步长为2的7*7的卷积核和一个步长为2的3*3的卷积核对256*256的第一医疗影像数据进行处理，得到64*64的特征图。第一残差单元可以被配置为利用两个步长为1的3*3的卷积核，对第一最大池化层输出的64*64的特征图进行处理，得到128*128的特征图。第一下采样单元可以被配置为利用一个步长为2的3*3的卷积核、一个步长为1的3*3的卷积核和一个步长为2的1*1的卷积核，对第一下采样单元输出的128*128的特征图进行处理，得到128*128的特征图。第一平均池化层可以被配置为对经第一下采样单元处理后的影像特征转换为1*512的第一影像特征。

根据本公开的实施例，由于第一中间影像特征是通过利用第三特征提取模块对第一医疗影像进行处理得到的，因而可以降低第一医疗影像的数据维度，减少存储空间的占用，由此可以避免神经网络的梯度弥散或者梯度爆炸的问题。此外，由于第一时序影像特征是通过利用第二特征提取模块处理第一中间影像特征得到的，因而能够获得多个第一医疗影像的时序特征。

根据本公开的实施例，根据第一影像权重矩阵和第一医疗影像数据，确定第一影像特征可以包括如下操作。

根据第一医疗影像数据，得到第一影像值矩阵。根据第一影像权重矩阵和第一影像值矩阵，得到第一影像特征。

根据本公开的实施例，可以根据第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵。例如，可以根据第一医疗影像数据与查询参数矩阵确定第一影像查询矩阵，根据第一医疗影像数据与键参数矩阵确定第一影像键矩阵。在确定第一影像查询矩阵和第一影像键矩阵之后，可以确定表征第一医疗影像数据中每两个第一医疗影像彼此之间关联关系信息的第一影像权重矩阵。

根据本公开的实施例，可以根据第一医疗影像数据，确定第一影像值矩阵。例如，可以根据第一医疗影像数据与值参数矩阵确定第一影像值矩阵。在确定第一影 像值矩阵之后，可以根据第一影像权重矩阵和第一影像值矩阵，确定第一影像特征。

图4B示意性示出了根据本公开另一实施例的根据第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵的示例示意图。

如图4B所示，第一医疗影像数据405可以包括多个第一医疗影像。多个第一医疗影像可以包括第一医疗影像405_1、第一医疗影像405_2、...、第一医疗影像405_q、...、第一医疗影像405_Q。Q可以是大于或等于1的整数，q∈{1，2，...，(Q-1)，Q}。

第一特征提取网络406可以包括第三特征提取模块406_1、第二特征提取模块406_2和第一特征提取模块406_3。可以利用第三特征提取模块406_1处理多个第一医疗影像，得到多个第一中间影像特征407。

在获得多个第一中间影像特征407之后，可以利用第二特征提取模块406_2处理多个第一中间影像特征407，得到第一时序影像特征408。

在得到第一时序影像特征408之后，可以利用第一特征提取模块406_3处理第一时序影像特征408，得到第一影像查询矩阵409_1和第一影像键矩阵409_2。

根据本公开的实施例，医疗数据处理方法200还可以包括如下操作。

根据第一医疗影像数据，得到医疗影像元数据。

根据本公开的实施例，与第一医疗影像数据对应的原始医疗影像为DICOM(Digital Imaging and Communications in Medicine，医学数字成像和通信)格式的灰度图像。DICOM格式的影像数据中可以存储与图像相关的元数据。可以通过利用Pydicom读取第一医疗影像数据中任意一张DICOM格式的2D切片，以得到医疗影像元数据。例如，与图像相关的元数据可以包括以下至少之一：切片厚度、像素间距、设备厂商、设备型号、重复时间和回波时间等。

根据本公开的实施例，第一医疗影像数据可以包括未包括标签信息的第一医疗影像数据和包括标签信息的第一医疗影像数据。第一医疗影像数据的标签可以包括以下至少之一：T1模态标签、T2模态标签、T1CE模态标签和FLAIR模态标签。未包括标签信息的第一医疗影像数据可以应用于医疗影像数据对比学习网络中图像特征提取网络的训练。包括标签信息的第一医疗影像数据可以应用于医疗影像数据对比学习网络中第一分类网络的训练。

根据本公开的实施例，医疗影像元数据可以包括未包括标签信息的医疗影像元 数据和包括标签信息的医疗影像元数据。未包括标签信息的医疗影像元数据可以应用于医疗影像元数据对比学习网络中元数据特征提取网络的训练。包括标签信息的医疗影像元数据可以应用于医疗影像元数据对比学习网络中第二分类网络的训练。

根据本公开的实施例，在获取到原始医疗影像之后，可以对原始医疗影像进行医疗数据预处理操作，以得到第一医疗影像数据。医疗数据的预处理可以包括以下至少之一：重采样、数据标准化、偏置场矫正、仿射变换、图像缩放、图像选择和数据增强。数据标准化可以包括零均值标准化和标准差标准化。

根据本公开的实施例，可以对原始医疗影像进行重采样，得到第一医疗影像数据。在第一医疗影像数据包括多个的情况下，多个第一医疗影像数据各自的体素(Volume Pixel，体积元素)所表征的实际物理空间一致。此外，可以对原始医疗影像进行数据标准化，得到第一医疗影像数据。

根据本公开的实施例，原始医疗影像可以包括至少一个模态的医疗影像。可以对原始医疗影像进行数据标准化，得到第一医疗影像数据。备选地，可以对原始医疗影像进行图像裁剪，得到第一中间医疗影像。可以对第一中间医疗影像进行重采样，得到第二中间医疗影像。可以对第二中间医疗影像进行数据标准化，得到第一医疗影像数据。

根据本公开的实施例，可以对原始医疗影像进行偏置场矫正，得到第一医疗影像数据。例如，可以使用SimpleTk中N4BiasCorrection对原始医疗影像进行偏置场校正，以消除射频不均匀性。

根据本公开的实施例，可以对原始医疗影像进行仿射变换，得到第一医疗影像数据。例如，可以使用ANTS软件将某一模态的图像注册到与该模态对应的模板图像(如TCIA-LGG中Case为TCGA-CS-4938的T1图像)，然后再将其他模态注册到新注册的图像，以完成对原始医疗影像进行仿射变换。备选地，可以对原始医疗影像进行图像缩放，例如，可以使用双线性插值算法将原始医疗影像的大小调整为256*256尺寸。

根据本公开的实施例，可以对原始医疗影像进行图像选择，例如，可以按照扫描编号由小到大排序，去除影像矩阵值均为零的图像，得到第一医疗影像数据。备选地，可以对原始医疗影像进行数据增强，以增加医疗影像的数量，例如，可以使用图像旋转方法，将原始医疗影像每90度旋转一次，得到第一医疗影像数据。

根据本公开的实施例，在获得第一医疗影像数据之后，可以根据第一医疗影像数据，确定原始医疗影像元数据。对原始医疗影像元数据进行元数据预处理操作，以得到医疗影像元数据。元数据预处理可以包括以下至少之一：离散处理、归一化处理和向量化处理等。

根据本公开的实施例，可以对原始医疗影像元数据进行离散处理，得到医疗影像元数据。在此情况下，医疗影像元数据中的设备厂商和设备型号可以使用离散数值表示。备选地，可以对原始医疗影像元数据进行归一化处理，得到医疗影像元数据。在此情况下，医疗影像元数据中的重复时间和回波时间可以使用归一化数值表示。备选地，可以对原始医疗影像元数据进行向量化处理，得到医疗影像元数据。在此情况下，医疗影像元数据可以表征多个原始医疗影像之间的序列关系。

根据本公开的实施例，可以对原始医疗影像元数据进行离散处理，得到第二中间医疗影像元数据。可以对第二中间医疗影像元数据进行归一化处理，得到第三中间医疗影像元数据。可以对第三中间医疗影像元数据进行向量化处理，得到医疗影像元数据。

根据本公开的实施例，医疗数据处理方法200还可以包括如下操作。

根据第一医疗影像数据的设备类型转换标准数据，得到第一医疗影像数据的影像类型信息。根据本公开的实施例，根据本公开的实施例，设备类型转换标准数据可以包括以下之中至少之一：医疗影像采集设备的设备制造商和设备型号。影像类型信息可以是指第一医疗影像数据的图像类型。例如，在第一医疗影像数据属于MRI影像数据的情况下，图像类型可以包括以下之中至少之一：T1模态、T2模态、T1CE模态和FLAIR模态。备选地，在第一医疗影像数据属于CT影像数据、ECT影像数据、PET影像数据、超声影像数据、OCT影像数据或X射线影像数据的情况下，图像类型可以根据实际业务需求进行设置，在此不作限定。

根据本公开的实施例，可以获取与第一医疗影像数据对应的设备类型转换标准数据，并在医疗影像数据类型转换标准库中查找对应的设备类型转换标准数据。在医疗影像数据类型转换标准库中存在与第一医疗影像数据对应的设备类型转换标准数据的情况下，可以将与该设备类型转换标准数据对应的影像类型信息，确定为第一医疗影像数据的影像类型信息。

根据本公开的实施例，医疗数据处理方法200还可以包括如下操作。

在根据与第一医疗影像数据对应的设备类型转换标准数据未能确定第一医疗影像数据的影像类型信息的情况下，根据与第一医疗影像数据对应的医疗影像元数据，确定影像类型信息。在根据设备类型转换标准数据和医疗影像元数据均未能确定影像类型信息的情况下，根据第一医疗影像数据和医疗影像元数据，得到影像类型信息。

根据本公开的实施例，在医疗影像数据类型转换标准库中不存在与第一医疗影像数据对应的设备类型转换标准数据的情况下，可以根据第一医疗影像数据确定医疗影像元数据，并在元数据类型转换标准库中查找对应的设备类型转换标准数据。在元数据类型转换标准库中存在与医疗影像元数据对应的设备类型转换标准数据的情况下，可以将与该设备类型转换标准数据对应的影像类型信息，确定为医疗影像元数据的影像类型信息。

根据本公开的实施例，在根据设备类型转换标准数据和医疗影像元数据均未能确定影像类型信息的情况下，可以利用对比学习的方式对第一医疗影像数据和医疗影像元数据进行处理，得到影像类型信息。例如，可以将第一医疗影像数据输入医疗影像数据对比学习网络，得到第一影像类型信息。将医疗影像元数据输入医疗影像元数据对比学习网络，得到第二影像类型信息。根据第一影像类型信息和第二影像类型信息，得到影像类型信息。

根据本公开的实施例，上述医疗数据处理方法还可以包括如下操作。

对第一医疗影像数据进行数据增强。对医疗影像元数据进行数据增强。

根据本公开的实施例，对第一医疗影像数据进行数据增强，可以包括如下操作。

对第一医疗影像数据进行随机裁剪还原、随机颜色失真和随机高斯模糊中的至少之一。

根据本公开的实施例，第一医疗影像数据可以是包括至少一个模态的医疗影像。可以对第一医疗影像数据进行数据增强，得到数据增强后的第一医疗影像数据。数据增强操作可以包括以下至少之一：随机裁剪还原、随机颜色失真和随机高斯模糊。

根据本公开的实施例，可以对第一医疗影像数据进行随机裁剪还原，得到经裁剪还原后的第一医疗影像数据。经裁剪还原后的第一医疗影像数据可以具有相同的影像分辨率。

例如，可以根据第一医疗影像数据包括的至少一个模态的医疗影像，确定与至 少一个模态各自对应的第一边界框，得到至少一个第一边界框。确定至少一个第一边界框的并集区域，得到第一目标边界框。利用第一目标边界框对第一医疗影像数据包括的至少一个模态的医疗影像进行图像裁剪，得到经数据增强后的第一医疗影像数据。

例如，可以将第一医疗影像数据中第一目标边界框所在的区域的像素值设置为第一预定像素值。将第一医疗影像数据中第一目标边界框以外的区域的像素值设置为第二预定像素值。第一预定像素值和第二预定像素值可以根据实际业务需求进行配置，在此不作限定。例如，第一预定像素值可以是1。第二预定像素值可以是0。

根据本公开的实施例，可以对第一医疗影像数据进行颜色失真，得到经颜色失真后的第一医疗影像数据。例如，可以通过调整以下参数至少之一：第一医疗影像数据的颜色、亮度、对比度、饱和度和色调。备选地，可以对第一医疗影像数据进行随机高斯模糊，以去除原始医疗影像的噪声，得到经高斯模糊后的第一医疗影像数据。

根据本公开的实施例，第一医疗影像数据可以包括2Y张。以第一医疗影像数据为24张为例，可以将第一医疗影像数据随机分为12组，即每组包括两张医疗影像，然后可以基于上述数据增强操作对各组的两张医疗影像分别进行数据增强处理。

根据本公开的实施例，对第二医疗影像数据进行数据增强，可以包括如下操作。

对医疗影像元数据进行同义词替换。

根据本公开的实施例，可以医疗影像元数据中的未包括标签信息的医疗影像元数据进行同义词替换，得到经数据增强后的未包括标签信息的医疗影像元数据。例如，未包括标签信息的医疗影像元数据可以包括序列描述“AXIAL”，在此情况下，可以使用“AXIAL”的同义词“AX”对未包括标签信息的医疗影像元数据中的“AXIAL”进行替换。例如，未包括标签信息的医疗影像元数据可以包括序列描述“FSE”，在此情况下，可以使用“FSE”的同义词“SE”对未包括标签信息的医疗影像元数据中的“FSE”进行替换。

根据本公开的实施例，根据第一医疗影像数据和医疗影像元数据，得到影像类型信息，可以包括如下操作。

根据增强后的第一医疗影像数据和增强后的第一医疗影像元数据，得到影像类型信息。

根据本公开的实施例，根据增强后的第一医疗影像数据和增强后的第一医疗影像元数据，得到影像类型信息，可以包括如下操作。

将增强后的第一医疗影像数据和增强后的医疗影像元数据输入对比学习网络，得到影像类型信息。

根据本公开的实施例，对比学习网络可以包括特征提取网络和分类网络。可以对特征提取网络和分类网络执行多轮次训练，直至满足预定条件。将经训练的特征提取网络和分类网络确定为对比学习网络。可以利用特征提取网络处理增强后的第一医疗影像数据和增强后的第一医疗影像元数据，得到与增强后的第一医疗影像数据和增强后的第一医疗影像元数据各自对应的表征向量。利用分类网络处理与增强后的第一医疗影像数据和增强后的第一医疗影像元数据各自对应的表征向量，得到影像类型信息。

根据本公开的实施例，特征提取网络和分类网络可以根据实际业务需求进行设置，在此不作限定。例如，特征提取网络可以包括卷积神经网络。卷积神经网络可以包括以下至少之一：ResNet、VGGNet、WideResNet和DenseNet。分类网络可以包括人工神经网络(即ANN，Artificial Neural Network)和softmax归一化函数。人工神经网络可以包括以下至少之一：多层感知机(即MLP，Multilayer Perceptron)和反向传播神经网络(即BP，Back Propagation)。

根据本公开的实施例，根据第一医疗影像数据和医疗影像元数据，得到影像类型信息，可以包括如下操作。

将第一医疗影像数据和医疗影像元数据输入对比学习网络，得到影像类型信息。对比学习网络可以包括医疗影像数据对比学习网络和医疗影像元数据对比学习网络。

根据本公开的实施例，将第一医疗影像数据和医疗影像元数据输入对比学习网络，得到影像类型信息，可以包括如下操作。

将第一医疗影像数据输入医疗影像数据对比学习网络，得到第一影像类型信息。将医疗影像元数据输入医疗影像元数据对比学习网络，得到第二影像类型信息。根据第一影像类型信息和第二影像类型信息，得到影像类型信息。

根据本公开的实施例，在对比学习中，对父样本进行数据增强得到的子样本可以作为是针对父样本的正样本。父样本可以指作为进行数据增强处理对象的样本。在本公开实施例中，正样本可以包括父样本和对父样本进行数据增强得到的正样本。 负样本可以指与父样本的类别不同的其他样本。

根据本公开的实施例，自监督网络可以包括以下至少一项：CPC(Contrastive Predictive Coding)、AMDIM(Augmented Multiscale Deep InfoMax)、MOCO(Momentum Contrast，动量对比)、SimCLR(Simple Framework for Contrastive Learning of Visual Representations)和BYOL(Bootstrap Your Own Latent)等。

图5A示意性示出了根据本公开实施例的确定影像类型信息的示例示意图。

如图5A所示，可以根据第一医疗影像数据501，得到医疗影像元数据502。对比学习网络503可以包括医疗影像数据对比学习网络503_1和医疗影像元数据对比学习网络503_2。

可以将第一医疗影像数据501输入医疗影像数据对比学习网络503_1，得到第一影像类型信息504。将医疗影像元数据502输入医疗影像元数据对比学习网络503_2，得到第二影像类型信息505。根据第一影像类型信息504和第二影像类型信息505，得到影像类型信息506。

根据本公开的实施例，医疗影像数据对比学习网络可以包括图像特征提取网络和第一分类网络。

根据本公开的实施例，图像特征提取网络可以是通过以下方式训练得到的。

图像特征提取网络可以是基于第五损失函数，根据正样本医疗影像数据的第一样本表征向量和与正样本医疗影像数据对应的多个负样本医疗影像数据的第二样本表征向量训练第一自监督网络得到的。第一样本表征向量可以是利用第一自监督网络处理正样本医疗影像数据得到的。第二样本表征向量可以是利用第一自监督网络处理负样本医疗影像数据得到的。

根据本公开的实施例，医疗影像数据对比学习网络可以包括图像特征提取网络和第一分类网络。图像特征提取网络可以是基于未包括标签信息的第一医疗影像数据训练得到的。第一分类网络可以是基于包括标签信息的第一医疗影像数据训练得到的。

根据本公开的实施例，可以对图像特征提取网络和第一分类网络执行多轮次训练，直至满足预定条件。将经训练的图像特征提取网络和第一分类网络确定为医疗影像数据对比学习网络。可以利用图像特征提取网络处理增强后的第一医疗影像数据，得到与第一医疗影像数据对应的表征向量。利用第一分类网络处理与第一医疗 影像数据对应的表征向量，得到第一影像类型信息。图像特征提取网络和第一分类网络可以根据实际业务需求进行设置，在此不作限定。

根据本公开的实施例，多个负样本医疗影像数据可以从与正样本医疗影像数据对应的多个候选负样本医疗影像数据中确定。可以根据正样本医疗影像数据的第一样本表征向量和与正样本医疗影像数据对应的多个负样本医疗影像数据的第二样本表征向量之间的第一相似度，从多个候选负样本医疗影像数据中确定多个负样本医疗影像数据。

例如，可以确定正样本医疗影像数据的第一样本表征向量与多个负样本医疗影像数据各自的第二样本表征向量彼此之间的第一相似度，得到多个第一相似度。根据第一预定相似度阈值和多个第一相似度，从多个候选负样本医疗影像数据中确定多个负样本医疗影像数据。针对候选负样本医疗影像数据，在根据正样本医疗影像数据的第一样本表征向量与候选负样本医疗影像数据的第二样本表征向量之间的第一相似度小于或等于第一预定相似度阈值的情况下，将候选负样本医疗影像数据确定为负样本医疗影像数据。第一预定相似度阈值可以根据实际业务需求进行配置，在此不作限定。

根据本公开的实施例，第一分类网络可以是通过如下方式训练得到的。

第一分类网络可以是基于第六损失函数，根据第四样本医疗影像数据的第一样本影像类型预测信息和第一样本影像类型标签信息训练第一分类网络得到的。第一样本影像类型预测信息可以是利用第一分类网络处理第四样本医疗影像数据得到的。

根据本公开的实施例，图像特征提取网络可以包括第三编码器和第一前馈神经网络。第一分类网络可以包括图像特征提取网络和第一归一化层。

根据本公开的实施例，第一分类网络可以是基于第六损失函数，根据第四样本医疗影像数据的第一样本影像类型预测信息和第一样本影像类型标签信息训练第一分类网络得到的，可以包括：

第一分类网络可以是根据第五损失函数值调整第一前馈神经网络的模型参数得到的。第五损失函数值可以是基于第六损失函数，根据第四样本医疗影像数据的第一样本影像类型预测信息和第一样本影像类型标签信息训练第一分类网络得到的。

根据本公开的实施例，可以利用图像特征提取网络对第一医疗影像数据进行处理，得到第一中间影像类型信息。利用第一分类网络对第一中间影像类型信息进行 处理，得到第一影像类型信息。

图5B示意性示出了根据本公开实施例的医疗影像数据对比学习网络训练过程的示例示意图。

如图5B所示，医疗影像数据对比学习网络508可以包括第一自监督网络508_1和第一分类网络508_2。第四样本医疗影像数据507可以包括正样本医疗影像数据507_1和多个负样本医疗影像数据507_2。可以利用第一自监督网络508_1处理正样本医疗影像数据507_1得到第一样本表征向量509。利用第一自监督网络508_1处理利用第一自监督网络508_1处理正样本医疗影像数据507_1得到第二样本表征向量510。

将正样本医疗影像数据507_1的第一样本表征向量509和与正样本医疗影像数据507_1对应的多个负样本医疗影像数据507_2的第二样本表征向量510输入至第五损失函数511，得到第五损失函数值512。根据第五损失函数值512调整第一自监督网络508_1的模型参数。

在此基础上，可以利用第一分类网络508_2处理第四样本医疗影像数据508，得到第一样本影像类型预测信息513。可以将第一样本影像类型预测信息513和第一样本影像类型标签信息514输入至第六损失函数515，得到第六损失函数值515。根据第六损失函数值515调整第一分类网络508_2的模型参数。

根据本公开的实施例，医疗影像元数据对比学习网络可以包括元数据特征提取网络和第二分类网络。

根据本公开的实施例，元数据特征提取网络可以是通过如下方式训练得到的。

元数据特征提取网络可以是基于第七损失函数，根据正样本医疗影像元数据的第三样本表征向量和与正样本医疗影像元数据对应的多个负样本医疗影像元数据的第四样本表征向量训练第二自监督网络得到的。第三样本表征向量可以是利用第二自监督网络处理正样本医疗影像元数据得到的。第四样本表征向量可以是利用第二自监督网络处理负样本医疗影像元数据得到的。

根据本公开的实施例，医疗影像元数据对比学习网络可以包括元数据特征提取网络和第二分类网络。元数据特征提取网络可以是基于未包括标签信息的医疗影像元数据训练得到的。第二分类网络可以是基于包括标签信息的医疗影像元数据训练得到的。

根据本公开的实施例，可以对元数据特征提取网络和第二分类网络执行多轮次训练，直至满足预定条件。将经训练的元数据特征提取网络和第二分类网络确定为医疗影像元数据对比学习网络。可以利用元数据特征提取网络处理增强后的医疗影像元数据，得到与医疗影像元数据对应的表征向量。利用第二分类网络处理与医疗影像元数据对应的表征向量，得到第二影像类型信息。元数据特征提取网络和第二分类网络可以根据实际业务需求进行设置，在此不作限定。

根据本公开的实施例，多个负样本医疗影像元数据可以从与正样本医疗影像元数据对应的多个候选负样本医疗影像元数据中确定。可以根据正样本医疗影像元数据的第三样本表征向量和与正样本医疗影像元数据对应的多个负样本医疗影像元数据的第四样本表征向量之间的第二相似度，从多个候选负样本医疗影像元数据中确定多个负样本医疗影像元数据。

例如，可以确定正样本医疗影像元数据的第三样本表征向量与多个负样本医疗影像元数据各自的第四样本表征向量彼此之间的第二相似度，得到多个第二相似度。根据第二预定相似度阈值和多个第二相似度，从多个候选负样本医疗影像元数据中确定多个负样本医疗影像元数据。针对候选负样本医疗影像元数据，在根据正样本医疗影像元数据的第三样本表征向量与候选负样本医疗影像元数据的第四样本表征向量之间的第二相似度小于或等于第二预定相似度阈值的情况下，将候选负样本医疗影像元数据确定为负样本医疗影像元数据。第二预定相似度阈值可以根据实际业务需求进行配置，在此不作限定。

根据本公开的实施例，第二自监督网络可以包括第五编码器和第六编码器。可以对第五编码器和第六编码器执行多轮次训练，直至满足预定条件。将经训练的第五编码器和第六编码器确定为元数据特征提取网络。

根据本公开的实施例，第二分类网络可以是通过如下方式训练得到的。

第二分类网络可以是基于第八损失函数，根据样本医疗影像元数据的第二样本影像类型预测信息和第二样本影像类型标签信息训练第二分类网络得到的。第二样本影像类型预测信息可以是利用第二分类网络处理样本医疗影像元数据得到的。

根据本公开的实施例，元数据特征提取网络可以包括第四编码器和第二前馈神经网络。第二分类网络可以包括元数据特征提取网络和第二归一化层。

根据本公开的实施例，第二分类网络可以是基于第八损失函数，根据样本医疗 影像元数据的第二样本影像类型预测信息和第二样本影像类型标签信息训练第二分类网络得到的，可以包括：

第二分类网络可以是根据第六损失函数值调整第二前馈神经网络的模型参数得到的。第六损失函数值可以是基于第八损失函数，根据样本医疗影像元数据的第二样本影像类型预测信息和第二样本影像类型标签信息得到的。

根据本公开的实施例，第五损失函数和第七损失函数可以包括以下至少一项：InfoNCE(Info Noise-contrastive Estimation，信息噪声对比估计)和NCE(Noise-Constrastive Estimation Loss，噪声对比估计)等。第五损失函数和第七损失函数可以根据实际业务需求进行设置，在此不做限定。例如，第五损失函数和第七损失函数的确定方式可以根据如下公式(4)～(6)所示，第五损失函数和第七损失函数可以相同，也可以不同。

其中，2Z可以表征样本医疗影像数据的样本数量。Z是大于或等于1的整数。l(c，d)可以表征第c个父样本医疗影像数据和第d个正样本医疗影像数据之间的对比损失。z

根据本公开的实施例，可以利用元数据特征提取网络对医疗影像元数据进行处理，得到第二中间影像类型信息。利用第二分类网络对第二中间影像类型信息进行处理，得到第二影像类型信息。

图5C示意性示出了根据本公开实施例的医疗影像元数据对比学习网络训练过程的示例示意图。

如图5C所示，医疗影像元数据对比学习网络517可以包括第二自监督网络517_1和第二分类网络517_2。第四样本医疗影像数据517可以包括正样本医疗影像数据517_1和多个负样本医疗影像数据517_2。可以利用第二自监督网络518_1处理正样本医疗影像数据517_1得到第三样本表征向量519。利用第二自监督网络518_1处理利用第二自监督网络518_1处理正样本医疗影像数据517_1得到第四样本表征向量520。

将正样本医疗影像数据517_1的第三样本表征向量519和与正样本医疗影像数据517_1对应的多个负样本医疗影像数据517_2的第四样本表征向量520输入至第七损失函数521，得到第七损失函数值522。根据第七损失函数值522调整第二自监督网络518_1的模型参数。

在此基础上，可以利用第二分类网络518_2处理第四样本医疗影像数据517，得到第二样本影像类型预测信息523。可以将第二样本影像类型预测信息523和第二样本影像类型标签信息524输入至第八损失函数525，得到第八损失函数值525。根据第八损失函数值525调整第二分类网络518_2的模型参数。

根据本公开的实施例，根据第一影像类型信息和第二影像类型信息，得到影像类型信息，可以包括以下之一：将第一影像类型信息确定为影像类型信息。将第二影像类型信息确定为影像类型信息。将第一影像类型信息和第二影像类型信息进行软投票决策处理，得到影像类型信息。

根据本公开的实施例，软投票决策处理可以是指将第一影像类型信息和第二影像类型信息各自所表征属于某一影像类型信息的概率的平均概率值作为标准，将最高概率所对应的影像类型确定为影像类型信息。

例如，以二分类为例，影像类型信息可以包括影像类型E和影像类型F。第一影像类型信息可以表征属于影像类型E的概率为60％、属于影像类型F的概率为40％。第二影像类型信息可以表征属于影像类型E的概率为80％、属于影像类型F的概率为20％。在将第一影像类型信息和第二影像类型信息基于概率平均值进行软投票决策处理的情况下，可以得到属于影像类型E的概率为为70％，属于影像类型F的概率为30％，可以确定影像类型信息为影像类型E。

备选地，软投票决策处理也可以是指将第一影像类型信息和第二影像类型信息各自所表征属于某一影像类型信息的概率进行加权处理，将得到的加权概率值所对应的影像类型确定为影像类型信息。

例如，可以将与第一影像类型信息对应的第一权重设置为0.6，将与第二影像类型信息对应的第二权重设置为0.4，在将第一影像类型信息和第二影像类型信息基于加权概率值进行软投票决策处理的情况下，可以得到属于影像类型E的概率为为68％，属于影像类型F的概率为32％，可以确定影像类型信息为影像类型E。

根据本公开的实施例，由于可以对第一医疗影像数据进行处理得到第一影像特征，在此基础上，可以根据第一影像特征，得到第一基因突变信息，第一医疗影像数据是对原始医疗影像进行预处理得到的，预处理可以包括以下至少之一：图像裁剪、重采样和数据标准化，因此，能够提高提取影像特征的准确性。此外，经图像裁剪之后，可以实现在有效保证提取影像特征和基因突变预测的准确性的基础上，减少图像尺寸，提高计算效率。

根据本公开的实施例，医疗数据处理方法200还可以包括如下操作。

获取第一样本数据。第一样本数据包括第一样本医疗影像数据和与第一样本医疗影像数据对应的第一样本基因突变标签信息。将第一样本医疗影像数据输入第一特征提取网络和分类网络，得到与第一样本医疗影像数据对应的第一样本基因突变预测信息。将第一样本基因突变基因预测信息和第一样本基因突变标签信息输入第一损失函数，得到第一损失函数值。根据第一损失函数值，调整第一特征提取网络和分类网络的模型参数。

根据本公开的实施例，第一样本基因突变标签信息可以指第一样本医疗影像数据的真实基因突变信息。针对第一样本医疗影像数据和第一样本基因突变预测信息的说明，可以参见上文针对第一医疗影像数据和第一基因突变信息的相关内容，在此不再赘述。

根据本公开的实施例，可以利用第一特征提取网络和分类网络处理第一样本医疗影像数据，得到与第一样本医疗影像数据对应的第一样本基因突变预测信息。将第一样本基因突变预测信息和第一样本基因突变标签信息输入第一损失函数，得到第一损失函数值。可以根据第一损失函数值调整第一特征提取网络和分类网络的模型参数，直至满足预定结束条件。将在满足预定结束条件的情况下得到的第一特征 提取网络和分类网络确定为经训练的第一特征提取网络和分类网络。预定结束条件可以包括模型迭代满足预定次数或损失函数收敛。

根据本公开的实施例，第一损失函数可以根据实际业务需求进行设置，在此不做限定。例如，第一损失函数可以如下公式(7)所示。

其中，L

根据本公开的实施例，通过利用第一样本基因突变基因预测信息和第一样本基因突变标签信息训练第一特征提取网络和分类网络，实现了图像分割与多突变检测的联合训练。并且，由于对多个基因突变进行检测，能够利用突变之间的相互影响，因此，提高了第一特征提取网络和分类网络的预测精度。

图6示意性示出了根据本公开实施例的第一特征提取网络和分类网络训练过程的示例示意图。

如图6所示，在第一特征提取网络和分类网络的训练过程中，可以获取第一样本数据。第一样本数据可以包括第一样本医疗影像数据601和与第一样本医疗影像数据601对应的第一样本基因突变标签信息604。可以利用第一特征提取网络602_1和分类网络602_2对第一样本医疗影像数据601进行处理，得到与第一样本医疗影像数据601对应的第一样本基因突变预测信息603。

在获得第一样本基因突变预测信息603之后，可以将第一样本基因突变基因预测信息603和第一样本基因突变标签信息604输入第一损失函数605，得到第一损失函数值606。在得到第一损失函数值606之后，可以根据第一损失函数值606，调整第一特征提取网络602_1和分类网络602_2的模型参数。

以上仅是示例性实施例，但不限于此，还可以包括本领域已知的其他医疗数据处理方法，只要能够训练第一特征提取网络和分类网络即可。

图7示意性示出了根据本公开另一实施例的医疗数据处理方法的流程图。

如图7所示，该方法700包括操作S710～S750。

在操作S710，获取第一医疗文本数据和第二医疗影像数据。

在操作S720，根据第二医疗影像数据，得到第二影像特征。

在操作S730，将第一医疗文本数据输入第二特征提取网络，得到第一文本特征。

在操作S740，将第二影像特征和第一文本特征进行特征融合，得到第一融合特征。

在操作S750，根据第一融合特征，得到第一生存期信息。

根据本公开的实施例，第一医疗文本数据可以是指医务人员对患者经过和治疗情况所做的文字记录。第一医疗文本数据可以包括患者的临床数据。临床数据可以包括以下至少之一：性别、年龄、组织学诊断、肿瘤分级、用药信息、恶性肿瘤病史和生存期特征。此外，临床数据还可以包括以下至少之一：基因突变结果、其他有关疾病信息、以往病史信息、检查结果、诊疗信息和病情发展信息等。其他有关疾病信息可以包括以下至少之一：患者个人的其他有关疾病信息和家庭成员的其他有关疾病信息。检查结果可以包括以下至少之一：体格检查结果和其他检查结果。诊疗信息可以包括以下至少之一：诊断信息、护理信息和治疗信息。病情发展信息可以包括病情发展经过和病情发展结果等。

根据本公开的实施例，可以根据第二医疗影像数据，得到第二影像特征。例如，可以将第二医疗影像数据输入第五特征提取网络，得到第二影像特征。第五特征提取网络可以包括第七特征提取模块。第七特征提取模块可以配置为：根据第二医疗影像数据，确定第四影像查询矩阵和第四影像键矩阵。根据第四影像查询矩阵和第四影像键矩阵，确定第四影像权重矩阵，其中，第四影像权重矩阵表征第二医疗影像数据中每两个第二医疗影像彼此之间的关联关系信息。根据第四影像权重矩阵和第二医疗影像数据，确定第二影像特征。

根据本公开的实施例，第二医疗影像数据可以包括多种单模态医疗影像数据。第五特征提取网络可以包括与多种单模态医疗影像数据各自对应的子第五特征提取网络。多个子第五特征提取网络彼此之间的模型参数共享。在此情况下，根据第二医疗影像数据，得到第二影像特征可以包括：分别将多种单模态医疗影像数据输入与多种单模态医疗影像数据各自对应的子第五特征提取网络，得到多个单模态影像特征。

根据本公开的实施例，第二医疗影像数据可以包括多模态医疗影像数据。第五 特征提取网络可以包括多个子第五特征提取网络。多个子第五特征提取网络彼此之间的模型参数共享。在此情况下，根据第二医疗影像数据，得到第二影像特征可以包括：将多模态医疗影像数据输入多个子第五特征提取网络，得到多个多模态影像特征。

根据本公开的实施例，第二特征提取网络可以包括第二特征提取模块。第二特征提取模块可以配置为：根据第一医疗文本数据，确定第一文本查询矩阵和第一文本键矩阵。根据第一文本查询矩阵和第一文本键矩阵，确定第一文本权重矩阵。第一文本权重矩阵可以表征第一医疗文本数据中每两个第一医疗文本彼此之间的关联关系信息。根据第一文本权重矩阵和第一医疗文本数据，确定第一文本特征。根据本公开的实施例，可以利用第二特征提取网络对第一医疗文本数据进行处理，得到第一文本特征。第二特征提取网络可以包括以下至少之一：基于独热编码(即One-Hot编码)的第二特征提取网络、基于词频-反文档频率(即TF-IDF)的第二特征提取网络、基于期望交叉熵(即Expected Cross Entropy)的第二特征提取网络、基于主成分分析法(Principal Component Analysis，PCA)的第二特征提取网络、基于自编码器(Auto Encoder，AE)的第二特征提取网络。

根据本公开的实施例，可以将患者的基因突变信息和染色体突变信息进行编码，得到编码数据。将编码数据与第一医疗文本数据进行合并，得到合并数据。将合并数据输入第二特征提取网络，得到第一文本特征。

根据本公开的实施例，通过将根据基因突变信息和染色体突变信息得到的编码数据参与生存期信息预测，能够进一步提高生存期信息预测的准确性。

根据本公开的实施例，第一生存期信息可以是指患者在患某种疾病后的预计生存时间。第一生存期信息可以使用离散数值表示。例如，可以预计生存时间为0～3年的使用1表示，将预计生存时间为3～5年的使用2表示，将预计生存时间为5年以上的使用3表示。

根据本公开的实施例，由于第二影像特征是根据第二医疗影像数据确定的，第一文本特征是利用第二特征提取网络处理第一医疗文本数据得到的，通过将第二影像特征和第一文本特征进行特征融合，使得得到的第一融合特征可以较为准确地表征第一医疗文本数据和第二医疗影像数据。在此基础上，通过根据第一融合特征， 得到第一生存期信息，实现了影像数据特征提取、文本数据特征提取和生存期信息预测的联合，由此，提高了生存期信息预测的全面性和准确性。

下面参考图8和图9，对根据本公开实施例的医疗数据处理方法800做进一步说明。

根据本公开的实施例，操作S730可以包括如下操作。

将第一医疗文本数据进行编码，得到第一医疗文本向量。将第一医疗文本向量输入第一编码器，得到第一隐藏向量。将第一隐藏向量输入第一解码器，得到第一解码向量。根据第一隐藏向量和第一解码向量，得到第一文本特征。

根据本公开的实施例，以第二特征提取网络为基于自编码器的第二特征提取网络为例。自编码器可以根据实际业务需求进行设置，在此不作限定。例如，自编码器可以包括以下之中至少之一：收缩自编码器(Contractive Auto Encoder，CAE)、正则自编码器(Regularized Auto Encoder，RAE)和变分自编码器(Variational Auto Encoder，VAE)。

根据本公开的实施例，自编码器可以包括第一编码器和第一解码器。第一编码器和第一解码器均采用线性变换函数。根据本公开的实施例，第一编码器可以包括一个输入层和一个隐藏层，可以用于将输入数据进行编码。例如，可以利用第一编码器的输入层对第一医疗文本数据进行编码，得到第一医疗文本向量x

根据本公开的实施例，可以将第一样本医疗文本数据输入自编码器，得到第三样本医疗文本数据。可以将第一样本医疗文本数据和第三样本医疗文本数据输入第九损失函数，得到第九损失函数值。可以根据第九损失函数值调整自编码器的模型参数，直至满足预定结束条件。第九损失函数可以使用如下式(8)表示。

其中，L

根据本公开的实施例，第二特征提取网络可以包括多个堆叠的自编码器。多个 堆叠的自编码器可以包括自编码器1、自编码器2、...、自编码器w、...、自编码器W。W可以是大于或等于1的整数，w∈{1，2，...，(W-1)，W}。

根据本公开的实施例，可以基于无监督方式训练自编码器1，直至与自编码器1对应的最小化重构误差1达到预设阈值。在此基础上，可以利用自编码器1的输出作为自编码器2的输入以训练自编码器2，直至与自编码器2对应的最小化重构误差2达到预设阈值。以此类推，可以利用自编码器(W-1)的输出作为自编码器W的输入以训练自编码器W，直至与自编码器W对应的最小化重构误差W达到预设阈值。在此情况下，可以将自编码器W的输出确定为第一文本特征。预设阈值可以根据实际业务需求进行设置，在此不作限定。

根据本公开的实施例，操作S740可以包括如下操作。

根据第二医疗影像数据，确定第二影像查询矩阵和第二影像键矩阵。根据第一医疗文本数据，确定文本查询矩阵和文本键矩阵。根据第二影像查询矩阵和文本键矩阵，确定第一融合权重矩阵。根据文本查询矩阵和第二影像键矩阵，确定第二融合权重矩阵。根据第一融合权重矩阵和文本值矩阵，得到第一输出特征向量，其中，文本值矩阵是根据第一医疗文本数据得到的。根据第二融合权重矩阵和第二影像值矩阵，得到第二输出特征向量，其中，第二影像值矩阵是根据第二医疗影像数据得到的。根据第一输出特征向量和第二输出特征向量，得到第一融合特征。

根据本公开的实施例，第二影像特征可以包括第二影像查询矩阵、第二影像键矩阵和第二影像值矩阵。可以根据第二医疗影像数据，确定第二影像查询矩阵、第二影像键矩阵和第二影像值矩阵。例如，可以根据第二医疗影像数据与查询参数矩阵确定第二影像查询矩阵，根据第二医疗影像数据与键参数矩阵确定第二影像键矩阵，根据第二医疗影像数据与值参数矩阵确定第二影像值矩阵。

根据本公开的实施例，第一文本特征可以包括文本查询矩阵、文本键矩阵和文本值矩阵。可以根据第一医疗文本数据，确定文本查询矩阵和文本键矩阵。例如，可以根据第一医疗文本数据与查询参数矩阵确定文本查询矩阵，根据第一医疗文本数据与键参数矩阵确定文本键矩阵，根据第一医疗文本数据与值参数矩阵确定文本值矩阵。

根据本公开的实施例，查询参数矩阵、键参数矩阵和值参数矩阵可以根据实际业务需求进行设置，在此不作限定。例如，查询参数矩阵、键参数矩阵和值参数矩 阵可以用于表征可训练的参数矩阵。

根据本公开的实施例，在获得第二影像特征和第一文本特征之后，可以将第二影像特征和第一文本特征进行特征融合，得到第一融合特征。特征融合地具体方式可以根据实际业务需求进行设置，在此不作限定。例如，可以根据第二影像查询矩阵和文本键矩阵，确定第一融合权重矩阵，根据文本查询矩阵和第二影像键矩阵，确定第二融合权重矩阵。

根据本公开的实施例，在获得第一融合权重矩阵和第二融合权重矩阵之后，可以根据第一融合权重矩阵、第二融合权重矩阵、第二影像值矩阵和文本值矩阵确定第一输出特征向量和第二输出特征向量。例如，可以根据第一融合权重矩阵和文本值矩阵，确定第一输出特征向量，根据第二融合权重矩阵和第二影像值矩阵，确定第二输出特征向量。

根据本公开的实施例，在获得第一输出特征向量和第二输出特征向量之后，可以根据第一输出特征向量和第二输出特征向量，得到第一融合特征。例如，可以将第一输出特征向量和第二输出特征向量进行拼接，得到第一融合特征。图8示意性示出了根据本公开实施例的根据第一融合特征，得到第一生存期信息的示例示意图。

如图8所示，可以将第一医疗文本数据801进行编码，得到第一医疗文本向量802。将第一医疗文本向量802输入第一编码器803_1，得到第一隐藏向量804。将第一隐藏向量804输入第一解码器803_2，得到第一解码向量805。根据第一隐藏向量804和第一解码向量805，得到第一文本特征806。

可以根据第二医疗影像数据807，确定第二影像查询矩阵808_1、第二影像键矩阵808_2和第二影像值矩阵808_3。根据第二影像查询矩阵808_1和第二影像键矩阵808_2，确定第二影像权重矩阵809。根据第二影像权重矩阵809和第二影像值矩阵808_3，得到第二影像特征810。

在获得第一文本特征806和第二影像特征810之后，将第一文本特征806和第二影像特征810进行特征融合，得到第一融合特征811。根据第一融合特征811，得到第一生存期信息812。

根据本公开的实施例，融合深度学习模型包括第二特征提取网络。

根据本公开的实施例，医疗数据处理方法800还可以包括如下操作。

获取第二样本数据。第二样本数据包括第二样本医疗数据和与第二样本医疗数 据对应的第一样本生存期标签信息，第二样本医疗数据包括第一样本医疗文本数据和第二样本医疗影像数据。将第二样本医疗数据输入融合深度学习网络，得到与第二样本医疗数据对应的第一样本生存期预测信息。将第一样本生存期预测信息和第一样本生存期标签信息输入第二损失函数，得到第二损失函数值。根据第二损失函数值，调整融合深度学习网络的模型参数。

根据本公开的实施例，第一样本生存期标签信息可以指第一样本医疗数据的真实生存期信息。针对第二样本医疗影像数据和第一样本生存期预测信息的说明，可以参见上文针对第二医疗影像数据和第一生存期信息的相关内容，在此不再赘述。

根据本公开的实施例，可以利用融合深度学习网络处理第一样本医疗数据，得到与第一样本医疗数据对应的第一样本生存期预测信息。将第一样本生存期预测信息和第一样本生存期标签信息输入第二损失函数，得到第二损失函数值。可以根据第二损失函数值调整融合深度学习网络的模型参数，直至满足预定结束条件。将在满足预定结束条件的情况下得到的融合深度学习网络确定为经训练的融合深度学习网络。预定结束条件可以包括模型迭代满足预定次数或损失函数收敛。

根据本公开的实施例，第二损失函数可以根据实际业务需求进行设置，在此不做限定。例如，第二损失函数可以如下公式(9)所示。

其中，L

图9示意性示出了根据本公开实施例的融合深度学习网络训练过程的示例示意图。

如图9所示，在融合深度学习网络的训练过程中，可以获取第二样本数据901。第二样本数据901可以包括第一样本医疗数据901_1和与第一样本医疗数据901_1对应的第一样本生存期标签信息901_2。可以利用融合深度学习网络902对第一样本医疗数据901_1进行处理，得到与第一样本医疗数据901_1对应的第一样本生存 期预测信息903。

在获得第一样本生存期预测信息903之后，可以将第一样本生存期预测信息903和第一样本生存期标签信息901_2输入第二损失函数904，得到第二损失函数值905。在得到第二损失函数值905之后，可以根据第二损失函数值905，调整融合深度学习网络902的模型参数。

以上仅是示例性实施例，但不限于此，还可以包括本领域已知的其他医疗数据处理方法，只要能够处理训练融合深度学习网络即可。

图10示意性示出了根据本公开实施例的医疗数据分析方法的流程图。

如图10所示，该方法1000包括操作S1010～S1050。

在操作S1010，获取第二医疗文本数据和第三医疗影像数据。

在操作S1020，将第三医疗影像数据输入第三特征提取网络，得到第三影像特征。

在操作S1030，根据第三影像特征，确定第二基因突变信息。

在操作S1040，将第二医疗文本数据输入第四特征提取网络，得到第二文本特征。

在操作S1050，根据第三影像特征和第二文本特征的融合特征，确定第二生存期信息。

根据本公开的实施例，可以将第三影像特征和第二文本特征进行特征融合，得到第二融合特征。根据第二融合特征，确定第二生存期信息。特征融合方式可以根据实际业务需求进行设置，在此不作限定。例如，特征融合方式可以包括以下之中至少之一：特征拼接(即Features Concatenation)、跨模态注意力(即Cross-modal Attention)和条件批量归一化(即Condition Batch Normalization，CBN)。

根据本公开的实施例，第三特征提取网络可以包括第四特征提取模块。第四特征提取模块配置为：根据第三医疗影像数据，确定第三影像查询矩阵和第三影像键矩阵。根据第三影像查询矩阵和第三影像键矩阵，确定第三影像权重矩阵。第三影像权重矩阵表征第三医疗影像数据中每两个第三医疗影像彼此之间的关联关系信息。根据第三影像权重矩阵和第三医疗影像数据，确定第三影像特征。

根据本公开的实施例，第三医疗影像数据可以包括多种单模态医疗影像数据。第三特征提取网络可以包括与多种单模态医疗影像数据各自对应的子第三特征提取 网络。多个子第三特征提取网络彼此之间的模型参数共享。在此情况下，根据第三医疗影像数据，得到第三影像特征可以包括：分别将多种单模态医疗影像数据输入与多种单模态医疗影像数据各自对应的子第三特征提取网络，得到多个单模态影像特征。

根据本公开的实施例，第三医疗影像数据可以包括多模态医疗影像数据。第五特征提取网络可以包括多个子第三特征提取网络。多个子第三特征提取网络彼此之间的模型参数共享。在此情况下，根据第三医疗影像数据，得到第三影像特征可以包括：将多模态医疗影像数据输入多个子第三特征提取网络，得到多个多模态影像特征。

根据本公开的实施例，第四特征提取网络可以包括第四特征提取模块。第四特征提取模块可以配置为：根据第二医疗文本数据，确定第二文本查询矩阵和第二文本键矩阵。根据第二文本查询矩阵和第二文本键矩阵，确定第二文本权重矩阵。第二文本权重矩阵可以表征第二医疗文本数据中每两个第二医疗文本彼此之间的关联关系信息。根据第二文本权重矩阵和第二医疗文本数据，确定第二文本特征。

根据本公开的实施例，针对第三医疗影像数据、第二医疗文本数据、第三影像特征、第二基因突变信息、第二文本特征和第二生存期信息的说明，可以参见上文针对第一医疗影像数据、第一医疗文本数据、第一影像特征、第一基因突变信息、第一文本特征和第一生存期信息的相关内容，在此不再赘述。

根据本公开的实施例，由于经第二特征提取网络得到的第一文本特征可以较为准确地表征第一医疗文本数据，在此基础上，由于第二影像特征是根据第二医疗影像数据确定的，通过将第二影像特征和第一文本特征进行特征融合，得到第一融合特征，实现了影像特征和文本特征的联合，由此，提高了生存期预测的全面性和准确性。

下面参考图11A、图11B、图11C、图11D、图12、图13A和图13B，对根据本公开实施例的医疗数据分析方法1000做进一步说明。

根据本公开的实施例，根据第三影像权重矩阵和第三医疗影像数据，确定第三影像特征可以包括如下操作。

根据第三医疗影像数据，得到第三影像值矩阵。根据第三影像权重矩阵和第三影像值矩阵，得到第三影像特征。

图11A示意性示出了根据本公开实施例的确定第二基因突变信息和第二生存期信息的示例示意图。

如图11A所示，第三特征提取网络1102可以包括第四特征提取模块1102_1。

可以获取第三医疗影像数据1101和第二医疗文本数据1108。利用第四特征提取模块1102_1处理第三医疗影像数据1101，得到第三影像查询矩阵1103_1和第三影像键矩阵1103_2。根据第三影像查询矩阵1103_1和第三影像键矩阵1103_2，确定第三影像权重矩阵1104。

可以根据第三医疗影像数据1101，得到第三影像值矩阵1105。根据第三影像权重矩阵1104和第三影像值矩阵1105，得到第三影像特征1106。根据第三影像特征1106，确定第二基因突变信息1107。

可以利用第四特征提取网络1109处理第二医疗文本数据1108，得到第二文本特征1110。根据第三影像特征1106和第二文本特征1110，可以确定第二融合特征1111。根据第二融合特征1111，确定第二生存期信息1112。

根据本公开的实施例，第三医疗影像数据包括多个第三医疗影像，第三特征提取网络还包括第五特征提取模块。

根据本公开的实施例，医疗数据分析方法1100还可以包括如下操作。

将多个第三医疗影像数据输入第五特征提取模块，得到第二时序影像特征。第二时序影像特征表征多个第三医疗影像彼此之间的时序关系。

根据本公开的实施例，根据第三医疗影像数据，确定第三影像查询矩阵和第三影像键矩阵可以包括如下操作。

将第二时序影像特征输入第四特征提取模块，得到第三影像查询矩阵和第三影像键矩阵。

图11B示意性示出了根据本公开另一实施例的确定第二基因突变信息和第二生存期信息的示例示意图。

如图11B所示，第三特征提取网络1114可以包括第五特征提取模块1114_1和第四特征提取模块1114_2。

可以获取第三医疗影像数据1113和第二医疗文本数据1120。利用第五特征提取模块1114_1处理第三医疗影像数据1101，得到第二时序影像特征1115。利用第四特征提取模块1114_2处理第二时序影像特征1115，得到第三影像查询矩阵1116_1 和第三影像键矩阵1116_2。根据第三影像查询矩阵1116_1和第三影像键矩阵1116_2，确定第三影像权重矩阵1117。

可以根据第三影像权重矩阵1117和第三医疗影像数据1113，得到第三影像特征1118。根据第三影像特征1118，确定第二基因突变信息1119。

可以利用第四特征提取网络1121处理第二医疗文本数据1120，得到第二文本特征1122。根据第三影像特征1118和第二文本特征1122，可以确定第二融合特征1123。根据第二融合特征1123，确定第二生存期信息1124。

根据本公开的实施例，第三特征提取网络还包括第六特征提取模块，第六特征提取模块包括第二最大池化层、第二残差单元、第二下采样单元和第二平均池化层。

根据本公开的实施例，医疗数据分析方法1100还可以包括如下操作。

将多个第三医疗影像输入第六特征提取模块，得到第二中间影像特征。

根据本公开的实施例，将多个第三医疗影像数据输入第五特征提取模块，得到第二时序影像特征可以包括如下操作。

将第二中间影像特征输入第五特征提取模块，得到第二时序影像特征。

图11C示意性示出了根据本公开另一实施例的确定第二基因突变信息和第二生存期信息的示例示意图。

如图11C所示，第三特征提取网络1126可以包括第六特征提取模块1126_1、第五特征提取模块1126_2和第四特征提取模块1126_3。

可以获取第三医疗影像数据1125和第二医疗文本数据1133。利用第六特征提取模块1126_1对第三医疗影像数据1125进行处理，得到第二中间影像特征1127。利用第五特征提取模块1126_2处理第二中间影像特征1127，得到第二时序影像特征1128。利用第四特征提取模块1126_3处理第二时序影像特征1128，得到第三影像查询矩阵1129_1和第三影像键矩阵1129_2。根据第三影像查询矩阵1129_1和第三影像键矩阵1129_2，确定第三影像权重矩阵1130。

可以根据第三影像权重矩阵1130和第三医疗影像数据1125，得到第三影像特征1131。根据第三影像特征1131，确定第二基因突变信息1132。

可以利用第四特征提取网络1134处理第二医疗文本数据1133，得到第二文本特征1135。根据第三影像特征1131和第二文本特征1135，可以确定第二融合特征1136。根据第二融合特征1136，确定第二生存期信息1137。

根据本公开的实施例，操作S1140可以包括如下操作。

将第二医疗文本数据进行编码，得到第二医疗文本向量。将第二医疗文本向量输入第二编码器，得到第二隐藏向量。将第二隐藏向量输入第二解码器，得到第二解码向量。根据第二隐藏向量和第二解码向量，得到第二文本特征。

根据本公开的实施例，操作S1130可以包括如下操作。

将第三影像特征输入第三分类网络，得到第二基因突变信息。

根据本公开的实施例，操作S1150可以包括如下操作。

将第三影像特征和第二文本特征的融合特征输入第四分类网络，得到第二生存期信息。

根据本公开的实施例，第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络中的模型参数通过联合训练得到。

图11D示意性示出了根据本公开另一实施例的确定第二基因突变信息和第二生存期信息的示例示意图。

如图11D所示，第三特征提取网络1139可以包括第四特征提取模块1139_2。第四特征提取网络1146可以包括第二编码器1146_1和第二解码器1146_2。

可以获取第三医疗影像数据1138和第二医疗文本数据1144。利用第四特征提取模块1139_2处理第三医疗影像数据1138，得到第三影像查询矩阵1140_1和第三影像键矩阵1140_2。根据第三影像查询矩阵1140_1和第三影像键矩阵1140_2，确定第三影像权重矩阵1141。

可以根据第三影像权重矩阵1141和第三医疗影像数据1138，得到第三影像特征1142。根据第三影像特征1142，确定第二基因突变信息1143。

可以将第二医疗文本数据1144进行编码，得到第二医疗文本向量1145。将第二医疗文本向量1145输入第二编码器1146_1，得到第二隐藏向量1147。将第二隐藏向量1147输入第二解码器1146_2，得到第二解码向量1148。根据第二隐藏向量1147和第二解码向量1148，得到第二文本特征1149。

可以根据第三影像特征1142和第二文本特征1149，确定第二融合特征1150。根据第二融合特征1150，确定第二生存期信息1151。

根据本公开的实施例，医疗数据分析方法1100还可以包括如下操作。

根据第二基因突变信息和第二生存期信息，生成检测报告。

根据本公开的实施例，可以使用Adobe Acrobat DC软件进行检测报告模板的设计。检测报告模板可以根据实际业务需求进行设置，在此不作限定。

根据本公开的实施例，可以在对象登录医疗辅助诊断应用程序的情况下，获取医疗数据信息输入框输入的对象个人信息，根据对象信息，获得检测报告，以方便对象可以保存结果或分享。医疗数据信息输入框可以是响应于检测到医疗辅助诊断应用程序的浮动窗口和站内信等中的至少之一被触发而显示的。此外，还可以在检测到对象个人信息发生变化的情况下，自动更新检测报告内容并以设备弹窗、短信息和其他提示信息中的至少之一的方式，向对象发送提示信息。

图12示意性示出了根据本公开实施例的生成检测报告的示例示意图。

如图12所示，检测报告模板中可以包括以下之中至少之一：基本信息、基本突变信息预测结果、生存期信息预测结果和MRI采样。基本信息可以包括姓名、年龄、性别、身高、体重和胶质瘤分级。基本突变信息预测结果的预测项目可以包括IDH、1p/19q、TERT和MGMT。生存期信息预测结果可以包括患者的预计生存时间。MRI采样可以包括不同模态的医疗图像示例。

根据本公开的实施例，在需要生成检测报告的情况下，可以选择检测报告模板，利用Spring Boot的itext生成检测报告。可以利用Spring Boot的itext将患者的基本信息填充至检测报告模板中。如图12所示，检测报告中的基本信息可以包括“姓名：张三、年龄：59、性别：男、身高：176CM、体重：78KG和胶质瘤分级：G4”。

根据本公开的实施例，可以采用后端JAVA程序调用基因突变信息预测模型，处理输入的医疗影像数据，得到基因突变信息预测结果。可以采用后端JAVA程序调用生存期信息预测模型，处理输入的医疗文本数据和医疗影像数据，得到生存期信息预测结果。

根据本公开的实施例，在得到基因突变信息预测结果和生存期信息预测结果之后，可以利用Spring Boot的itext将医疗影像数据填充至检测报告模板中的MRI采样图中。如图12所示，检测报告中的MRI采样图可以包括“T1、T2、T1CE和FLAIR”。

根据本公开的实施例，可以利用Spring Boot的itext将基因突变信息预测结果填充至检测报告模板中。如图12所示，检测报告中的基因突变信息预测结果可以包括“IDH：未突变(野生型)、1p/19q：未缺失、TERT：未突变(野生型)和MGMT：未甲基化”。

根据本公开的实施例，利用Spring Boot的itext将生存期信息预测结果填充至检测报告模板中。如图12所示，检测报告中的生存期信息预测结果可以包括“患者生存期＞5年”。

根据本公开的实施例，在得到基因突变信息预测结果和生存期信息预测结果之后，可以采用后端JAVA程序查询生物数据库，利用Spring Boot的itext将分子检测结果注释信息显示到检测模板报告中。

根据本公开的实施例，在对检测报告模板进行填充之后，可以输出检测报告。检测报告的文件格式可以根据实际业务需求进行设置，在此不作限定。例如，检测报告的文件格式可以包括JPG(Joint Photographic Experts Group，联合图像专家组)、TIFF(Tag Image File Format，标签图像文件格式)、PNG(Portable Network Graphics，便携式网络图形)、PDF(Portable Document Format，可携带文档格式)和GIF(Graphics Interchange Format，图形交换格式)等。

根据本公开的实施例，检测报告可以应用于胶质瘤分子分型、生存期预测、手术切割区域指导和辅助指导临床用药等领域。在胶质瘤分子分型领域中，可以基于检测报告确定IDH突变信息、染色体1p/19q联合缺失突变信息、TERT突变信息和MGMT启动子区甲基化突变信息。在生存期预测领域中，可以基于检测报告确定患者生存期。在手术切割区域指导领域中，可以基于检测报告确定基因突变信息，进一步确定胶质瘤的分子病理类型，以辅助医生在手术战略上决策是否采用激进或者保守的切除方式。在辅助指导临床用药领域中，可以根据基因突变信息指导患者用药。

根据本公开的实施例，第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的中的模型参数通过联合训练过程包括可以包括如下操作。

获取第三样本数据。第三样本数据包括第三样本医疗影像数据、与第三样本医疗影像数据对应的第二样本基因突变标签信息、第二样本医疗数据和与第二样本医疗数据对应的第二样本生存期标签信息。第二医疗数据包括第二样本医疗文本数据和第三样本医疗影像数据。将第三样本医疗影像数据输入第三特征提取网络和第三分类器，得到与第三样本医疗数据对应的第二样本基因突变预测信息。将第二样本基因突变预测信息和第二样本基因突变标签信息输入第三损失函数，得到第三损失函数值。将第二样本医疗数据输入第四特征提取网络和第四分类器，得到与第二样 本医疗数据对应的第二样本生存期预测信息。将第二样本生存期预测信息和第二样本生存期标签信息输入第四损失函数，得到第四损失函数值。根据第三损失函数值和第四损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数。

根据本公开的实施例，根据第三损失函数值和第四损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数可以包括如下操作。

根据第三损失函数值，调整第三特征提取网络和第三分类器的模型参数。在第三特征提取网络和第三分类器的模型参数保持不变的情况下，根据第四损失函数值，调整第四特征提取网络和第四分类器的模型参数。

根据本公开的实施例，可以利用第三特征提取网络和第三分类器处理第三样本医疗影像数据，得到与第三样本医疗影像数据对应的第二样本基因突变预测信息。将第二样本生存期预测信息和第二样本基因突变标签信息输入第三损失函数，得到第三损失函数值。根据第三损失函数值调整第三特征提取网络和第三分类器的模型参数，直至满足预定条件。例如，可以根据反向传播算法或随机梯度下降算法，调整第三特征提取网络和第三分类器的模型参数，直至满足预定条件。

根据本公开的实施例，可以利用第四特征提取网络和第四分类器处理第二样本医疗数据，得到与第三样本医疗数据对应的第二样本生存期预测信息。将第二样本生存期预测信息和第二样本生存期标签信息输入第四损失函数，得到第四损失函数值。在第三特征提取网络和第三分类器的模型参数保持不变的情况下，根据第四损失函数值调整第四特征提取网络和第四分类器的模型参数，直至满足预定条件。例如，可以根据反向传播算法或随机梯度下降算法，调整第四特征提取网络和第四分类器的模型参数，直至满足预定条件。

图13A示意性示出了根据本公开实施例的根据第三损失函数值和第四损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数的示例示意图。

如图13A所示，在联合训练过程中，可以获取第三样本数据1301。第三样本数据1301可以包括第三样本医疗影像数据1301_2、与第三样本医疗影像数据1301_2对应的第二样本基因突变标签信息1301_1、第二样本医疗数据1301_3和与第二样 本医疗数据1301_3对应的第二样本生存期标签信息1301_4。

可以利用第三特征提取网络1302_1和第三分类器1302_2处理第三样本医疗影像数据1301_2，得到与第三样本医疗影像数据1301_2对应的第二样本基因突变预测信息1303。将第二样本基因突变预测信息1303和第二样本基因突变标签信息1301_1输入第三损失函数1304，得到第三损失函数值1305。

可以利用第四特征提取网络1302_3和第四分类器1302_4对第二样本医疗数据1301_3进行处理，得到与第二样本医疗数据1301_3对应的第二样本生存期预测信息1306。将第二样本生存期预测信息1306和第二样本生存期标签信息1301_4输入第四损失函数1307，得到第四损失函数值1308。

可以根据第三损失函数值1305，调整第三特征提取网络1302_1和第三分类器1302_2的模型参数。在第三特征提取网络1302_1和第三分类器1302_2的模型参数保持不变的情况下，根据第四损失函数值1308，调整第四特征提取网络1302_3和第四分类器1302_4的模型参数。

根据本公开的实施例，根据第三损失函数值和第四损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数可以包括如下操作。

根据第三损失函数值和第四损失函数值，确定总损失函数值。根据总损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数。

根据本公开的实施例，可以根据第三损失函数值和第四损失函数值，确定总损失函数值。根据总损失函数值损失函数值调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数，直至满足预定条件。例如，可以根据反向传播算法或随机梯度下降算法，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数，直至满足预定条件。

根据本公开的实施例，根据第三损失函数值和第四损失函数值确定总损失函数值的具体方式可以根据实际业务需求进行设置，在此不做限定。例如，可以根据第三损失函数值和第四损失函数值的累加值确定总损失函数值。备选地，根据第三损失函数值和第四损失函数值确定总损失函数值的计算方式也可以如下公式(10)所示。

L

其中，β可以表征总损失函数的调节权重，0≤β≤1，L

根据本公开的实施例，可以利用验证样本数据对第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型性能进行测试，得到性能测试结果。例如，可以利用第三特征提取网络和第三分类器处理验证样本医疗影像数据，得到第一状态分类结果，利用第四特征提取网络和第四分类器处理验证样本医疗数据，得到第二状态分类结果。根据第一状态分类结果和第二状态分类结果，确定状态分类结果。根据状态分类结果，确定性能测试结果。

根据本公开的实施例，在得到性能测试结果之后，可以确定性能测试结果是否满足预定性能条件。在确定性能测试结果满足预定性能条件的情况下，结束联合训练操作。在确定性能测试结果不满足预定性能条件的情况下，可以对与第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络对应的模型超参数进行调整。基于调整后的模型超参数，利用验证样本医疗影像数据和样本基因突变标签信息重新训练第三特征提取网络和第三分类器，得到新的第三特征提取网络和第三分类器。在此基础上，利用验证样本医疗数据和样本生存期标签信息重新训练第四特征提取网络和第四分类器，得到新的第四特征提取网络和第四分类器。重复执行上述操作，直至性能测试结果满足预定性能条件。

根据本公开的实施例，模型性能可以用模型性能评估值来表征。性能测试结果包括模型性能评估值。模型性能评估值可以包括以下至少之一：精准率、召回率、准确率、错误率和F函数值。预定性能条件可以指性能评估值大于或等于预定性能评估阈值。预定性能评估阈值可以根据实际业务需求进行配置，在此不作限定。模型超参数可以包括以下至少之一：学习率和深度学习模型的层数等。

图13B示意性示出了根据本公开另一实施例的根据第三损失函数值和第四损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数的示例示意图。

如图13B所示，在联合训练过程中，可以获取第三样本数据1309。第三样本数据1309可以包括第三样本医疗影像数据1309_2、与第三样本医疗影像数据1309_2对应的第二样本基因突变标签信息1309_1、第二样本医疗数据1309_3和与第二样 本医疗数据1309_3对应的第二样本生存期标签信息1309_4。

可以利用第三特征提取网络1310_1和第三分类器1310_2处理第三样本医疗影像数据1309_2，得到与第三样本医疗影像数据1309_2对应的第二样本基因突变预测信息1311。将第二样本基因突变预测信息1311和第二样本基因突变标签信息1309_1输入第三损失函数1312，得到第三损失函数值1313。

可以利用第四特征提取网络1310_3和第四分类器1310_4对第二样本医疗数据1309_3进行处理，得到与第二样本医疗数据1309_3对应的第二样本生存期预测信息1314。将第二样本生存期预测信息1314和第二样本生存期标签信息1309_4输入第四损失函数1315，得到第四损失函数值1316。

可以根据第三损失函数值1313和第四损失函数值1316，确定总损失函数值1317。根据总损失函数值1317调整第三特征提取网络1310_1、第三分类器1310_2、第四特征提取网络1302_3和第四分类器1302_4的模型参数。

以上仅是示例性实施例，但不限于此，还可以包括本领域已知的其他医疗数据分析方法，只要能够分析医疗数据即可。

图14示意性示出了根据本公开的实施例的医疗数据处理装置的框图。

如图14所示，医疗数据处理装置1400可以包括第一获取模块1410、第一获得模块1420和第二获得模块1430。

第一获取模块1410，用于获取第一医疗影像数据。

第一获得模块1420，用于将第一医疗影像数据输入第一特征提取网络，得到第一影像特征。

第二获得模块1430，用于根据第一影像特征，得到第一基因突变信息。

根据本公开的实施例，第一特征提取网络包括第一特征提取模块，第一特征提取模块配置为：根据第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵；根据第一影像查询矩阵和第一影像键矩阵，确定第一影像权重矩阵。第一影像权重矩阵表征第一医疗影像数据中每两个第一医疗影像彼此之间的关联关系信息；根据第一影像权重矩阵和第一医疗影像数据，确定第一影像特征。

根据本公开的实施例，第一医疗影像数据包括多种单模态医疗影像数据，第一特征提取网络包括与多种单模态医疗影像数据各自对应的子第一特征提取网络。

根据本公开的实施例，第一获得模块1420可以包括第一获得单元。

第一获得单元，用于将多种单模态医疗影像数据输入与多种单模态医疗影像数据各自对应的子第一特征提取网络，得到多个单模态影像特征。

根据本公开的实施例，第二获得模块1430可以包括第二获得单元和第三获得单元。

第二获得单元，用于将多个单模态影像特征进行特征拼接，得到拼接影像特征。

第三获得单元，用于将拼接影像特征输入第一分类网络，得到第一基因突变信息。

根据本公开的实施例，第一医疗影像数据包括多模态医疗影像数据，第一特征提取网络包括多个子第一特征提取网络。

根据本公开的实施例，第一获得模块1420还可以包括第四获得单元。

第四获得单元，用于将多模态医疗影像数据输入多个子第一特征提取网络，得到多个多模态影像特征。

根据本公开的实施例，第二获得模块1430还可以包括第五获得单元和第六获得单元。

第五获得单元，用于将多个多模态影像特征输入第二分类网络，得到多个单一基因突变类型预测信息。

第六获得单元，用于将多个单一基因突变类型预测信息进行组合，得到第一基因突变信息。

根据本公开的实施例，第二分类网络包括与多个多模态影像特征各自对应的子第二分类网络。

根据本公开的实施例，第五获得单元可以包括第一获得子单元。

第一获得子单元，用于将多个多模态影像特征输入与多个多模态影像特征各自对应的子第二分类网络，得到多个单一基因突变类型预测信息。

根据本公开的实施例，子第二分类网络包括异柠檬酸脱氢酶突变分类网络、染色体1p/18q分类网络、端粒酶逆转录酶启动子分类网络以及O

根据本公开的实施例，多个子第一特征提取网络彼此之间的模型参数共享。

根据本公开的实施例，第一医疗影像数据包括多个第一医疗影像，第一特征提取网络还包括第二特征提取模块。

根据本公开的实施例，医疗数据处理装置1400还可以包括第三获得模块。

第三获得模块，用于将多个第一医疗影像输入第二特征提取模块，得到第一时序影像特征。第一时序影像特征表征多个第一医疗影像彼此之间的时序关系。

根据本公开的实施例，根据第一医疗影像数据，确定第一影像查询矩阵和第一影像键矩阵可以包括：将第一时序影像特征输入第一特征提取模块，得到第一影像查询矩阵和第一影像键矩阵。

根据本公开的实施例，第一特征提取网络还包括第三特征提取模块，第三特征提取模块包括第一最大池化层、第一残差单元、第一下采样单元和第一平均池化层。

根据本公开的实施例，医疗数据处理装置1400还可以包括第四获得模块。

第四获得模块，用于将多个第一医疗影像输入第三特征提取模块，得到多个第一中间影像特征。

根据本公开的实施例，第三获得模块可以包括第七获得单元。

第七获得单元，用于将多个第一中间影像特征输入第二特征提取模块，得到第一时序影像特征。

根据本公开的实施例，根据第一影像权重矩阵和第一医疗影像数据，确定第一影像特征可以包括：根据第一医疗影像数据，得到第一影像值矩阵；以及，根据第一影像权重矩阵和第一影像值矩阵，得到第一影像特征。

根据本公开的实施例，医疗数据处理装置1400还可以包括第四获得模块。

第四获得模块，用于根据第一医疗影像数据的设备类型转换标准数据，得到第一医疗影像数据的影像类型信息。

根据本公开的实施例，医疗数据处理装置1400还可以包括第五获得模块和第六获得模块。第五获得模块，用于在根据与所述第一医疗影像数据对应的设备类型转换标准数据未能确定所述第一医疗影像数据的影像类型信息的情况下，根据与所述第一医疗影像数据对应的医疗影像元数据，确定所述影像类型信息。

第六获得模块，用于在根据所述设备类型转换标准数据和所述医疗影像元数据均未能确定所述影像类型信息的情况下，根据所述第一医疗影像数据和所述医疗影像元数据，得到所述影像类型信息。

根据本公开的实施例，医疗数据处理装置1400还可以包括第七获得模块。

第七获得模块，用于根据所述第一医疗影像数据，得到所述医疗影像元数据。

根据本公开的实施例，多种单模态医疗影像数据包括以下至少一种：与解剖结构对应的单模态医疗影像数据、与病变部位对应的单模态医疗影像数据、与浮肿区域对应的单模态医疗影像数据和与对比度增强对应的单模态医疗影像数据。

根据本公开的实施例，医疗数据处理装置1400还可以包括第二获取模块、第八获得模块、第九获得模块和第一调整模块。

第二获取模块，用于获取第一样本数据。第一样本数据包括第一样本医疗影像数据和与第一样本医疗影像数据对应的第一样本基因突变标签信息。

第八获得模块，用于将第一样本医疗影像数据输入第一特征提取网络和分类网络，得到与第一样本医疗影像数据对应的第一样本基因突变预测信息。

第九获得模块，用于将第一样本基因突变基因预测信息和第一样本基因突变标签信息输入第一损失函数，得到第一损失函数值。

第一调整模块，用于根据第一损失函数值，调整第一特征提取网络和分类网络的模型参数。

图15示意性示出了根据本公开的实施例的医疗数据处理装置的框图。

如图15所示，医疗数据处理装置1500可以包括第三获取模块1510、第十获得模块1520、第十一获得模块1530、第十二获得模块1540和第十三获得模块1550。

第三获取模块1510，用于获取第一医疗文本数据和第二医疗影像数据。

第十获得模块1520，用于根据第二医疗影像数据，得到第二影像特征。

第十一获得模块1530，用于将第一医疗文本数据输入第二特征提取网络，得到第一文本特征。

第十二获得模块1540，用于将第二影像特征和第一文本特征进行特征融合，得到第一融合特征。

第十三获得模块1550，用于根据第一融合特征，得到第一生存期信息。

根据本公开的实施例，第十一获得模块1530可以包括第八获得单元、第九获得单元、第十获得单元和第十一获得单元。

第八获得单元，用于将第一医疗文本数据进行编码，得到第一医疗文本向量。

第九获得单元，用于将第一医疗文本向量输入第一编码器，得到第一隐藏向量。

第十获得单元，用于将第一隐藏向量输入第一解码器，得到第一解码向量。

第十一获得单元，用于根据第一隐藏向量和第一解码向量，得到第一文本特征。

根据本公开的实施例，第十二获得模块1540可以包括第一确定单元、第二确定单元、第三确定单元、第四确定单元、第十二获得单元、第十三获得单元和第十四获得单元。

第一确定单元，用于根据第二医疗影像数据，确定第二影像查询矩阵和第二影像键矩阵。

第二确定单元，用于根据第一医疗文本数据，确定文本查询矩阵和文本键矩阵。

第三确定单元，用于根据第二影像查询矩阵和文本键矩阵，确定第一融合权重矩阵。

第四确定单元，用于根据文本查询矩阵和第二影像键矩阵，确定第二融合权重矩阵。

第十二获得单元，用于根据第一融合权重矩阵和文本值矩阵，得到第一输出特征向量，其中，文本值矩阵是根据第一医疗文本数据得到的。

第十三获得单元，用于根据第二融合权重矩阵和第二影像值矩阵，得到第二输出特征向量，其中，第二影像值矩阵是根据第二医疗影像数据得到的。

第十四获得单元，用于根据第一输出特征向量和第二输出特征向量，得到第一融合特征。

根据本公开的实施例，融合深度学习模型包括第二特征提取网络。

根据本公开的实施例，医疗数据处理装置1500还可以包括第四获取模块、第十四获得模块、第十五获得模块和第二调整模块。

第四获取模块，用于获取第二样本数据。第二样本数据包括第一样本医疗数据和与第一样本医疗数据对应的第一样本生存期标签信息，第一样本医疗数据包括第一样本医疗文本数据和第二样本医疗影像数据。

第十四获得模块，用于将第一样本医疗数据输入融合深度学习网络，得到与第一样本医疗数据对应的第一样本生存期预测信息。

第十五获得模块，用于将第一样本生存期预测信息和第一样本生存期标签信息输入第二损失函数，得到第二损失函数值。

第二调整模块，用于根据第二损失函数值，调整融合深度学习网络的模型参数。

图16示意性示出了根据本公开的实施例的医疗数据分析装置的框图。

如图16所示，医疗数据分析装置1600可以包括第五获取模块1610、第十六获 得模块1620、第一确定模块1630、第十七获得模块1640和第二确定模块1650。

第五获取模块1610，用于获取第二医疗文本数据和第三医疗影像数据。

第十六获得模块1620，用于将第三医疗影像数据输入第三特征提取网络，得到第三影像特征。

第一确定模块1630，用于根据第三影像特征，确定第二基因突变信息。

第十七获得模块1640，用于将第二医疗文本数据输入第四特征提取网络，得到第二文本特征。

第二确定模块1650，用于根据第三影像特征和第二文本特征的融合特征，确定第二生存期信息。

根据本公开的实施例，第三特征提取网络包括第四特征提取模块，第四特征提取模块配置为：根据第三医疗影像数据，确定第三影像查询矩阵和第三影像键矩阵；根据第三影像查询矩阵和第三影像键矩阵，确定第三影像权重矩阵。第三影像权重矩阵表征第三医疗影像数据中每两个第三医疗影像彼此之间的关联关系信息；根据第三影像权重矩阵和第三医疗影像数据，确定第三影像特征。

根据本公开的实施例，医疗数据分析装置1600还可以包括生成模块。

生成模块，用于根据第二基因突变信息和第二生存期信息，生成检测报告。

根据本公开的实施例，第三医疗影像数据包括多个第三医疗影像，第三特征提取网络还包括第五特征提取模块。

根据本公开的实施例，医疗数据分析装置1600还可以包括第十八获得模块。

第十八获得模块，用于将多个第三医疗影像数据输入第五特征提取模块，得到第二时序影像特征。第二时序影像特征表征多个第三医疗影像彼此之间的时序关系。

根据本公开的实施例，根据第三医疗影像数据，确定第三影像查询矩阵和第三影像键矩阵可以包括：将第二时序影像特征输入第四特征提取模块，得到第三影像查询矩阵和第三影像键矩阵。

根据本公开的实施例，第三特征提取网络还包括第六特征提取模块，第六特征提取模块包括第二最大池化层、第二残差单元、第二下采样单元和第二平均池化层。

根据本公开的实施例，医疗数据分析装置1600还可以包括第十九获得模块。

第十九获得模块，用于将多个第三医疗影像输入第六特征提取模块，得到第二中间影像特征。

根据本公开的实施例，第二十获得模块可以包括第十五获得单元。

第十五获得单元，用于将第二中间影像特征输入第五特征提取模块，得到第二时序影像特征。

根据本公开的实施例，根据第三影像权重矩阵和第三医疗影像数据，确定第三影像特征可以包括：根据第三医疗影像数据，得到第三影像值矩阵；以及，根据第三影像权重矩阵和第三影像值矩阵，得到第三影像特征。

根据本公开的实施例，第十七获得模块1640可以包括第十六获得单元、第十七获得单元、第十八获得单元和第十九获得单元。

第十六获得单元，用于将第二医疗文本数据进行编码，得到第二医疗文本向量。

第十七获得单元，用于将第二医疗文本向量输入第二编码器，得到第二隐藏向量。

第十八获得单元，用于将第二隐藏向量输入第二解码器，得到第二解码向量。

第十九获得单元，用于根据第二隐藏向量和第二解码向量，得到第二文本特征。

根据本公开的实施例，第一确定模块1630可以包括第二十获得单元。

第二十获得单元，用于将第三影像特征输入第三分类网络，得到第二基因突变信息。

根据本公开的实施例，第二确定模块1650可以包括第二十一获得单元。

第二十一获得单元，用于将第三影像特征和第二文本特征的融合特征输入第四分类网络，得到第二生存期信息。

根据本公开的实施例，第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络中的模型参数通过联合训练得到。

根据本公开的实施例，第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的中的模型参数通过联合训练得到，可以包括第六获取模块、第十八获得模块、第十九获得模块、第二十获得模块、第二十一获得模块和第三调整模块。

第六获取模块，用于获取第三样本数据。第三样本数据包括第三样本医疗影像数据、与第三样本医疗影像数据对应的第二样本基因突变标签信息、第二样本医疗数据和与第二样本医疗数据对应的第二样本生存期标签信息。第二医疗数据包括第二样本医疗文本数据和第三样本医疗影像数据。

第十八获得模块，用于将第三样本医疗影像数据输入第三特征提取网络和第三分类器，得到与第三样本医疗数据对应的第二样本基因突变预测信息。

第十九获得模块，用于将第二样本基因突变预测信息和第二样本基因突变标签信息输入第三损失函数，得到第三损失函数值。

第二十获得模块，用于将第二样本医疗数据输入第四特征提取网络和第四分类器，得到与第二样本医疗数据对应的第二样本生存期预测信息。

第二十一获得模块，用于将第二样本生存期预测信息和第二样本生存期标签信息输入第四损失函数，得到第四损失函数值。

第三调整模块，用于根据第三损失函数值和第四损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数。

根据本公开的实施例，第三调整模块可以包括第一调整单元和第二调整单元。

第一调整单元，用于根据第三损失函数值，调整第三特征提取网络和第三分类器的模型参数。

第二调整单元，用于在第三特征提取网络和第三分类器的模型参数保持不变的情况下，根据第四损失函数值，调整第四特征提取网络和第四分类器的模型参数。

根据本公开的实施例，第三调整模块可以包括第五确定单元和第三调整单元。

第五确定单元，用于根据第三损失函数值和第四损失函数值，确定总损失函数值。

第三调整单元，用于根据总损失函数值，调整第三特征提取网络、第四特征提取网络、第三分类网络和第四分类网络的模型参数。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机 程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块1410、第一获得模块1420和第二获得模块1430、或第三获取模块1510、第十获得模块1520、第十一获得模块1530、第十二获得模块1540和第十三获得模块1550、或第五获取模块1610、第十六获得模块1620、第一确定模块1630、第十七获得模块1640和第二确定模块1650中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一获取模块1410、第一获得模块1420和第二获得模块1430、或第三获取模块1510、第十获得模块1520、第十一获得模块1530、第十二获得模块1540和第十三获得模块1550、或第五获取模块1610、第十六获得模块1620、第一确定模块1630、第十七获得模块1640和第二确定模块1650中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块1410、第一获得模块1420和第二获得模块1430、或第三获取模块1510、第十获得模块1520、第十一获得模块1530、第十二获得模块1540和第十三获得模块1550、或第五获取模块1610、第十六获得模块1620、第一确定模块1630、第十七获得模块1640和第二确定模块1650中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中医疗数据处理装置部分与本公开的实施例中医疗数据处理方法部分是相对应的，医疗数据处理装置部分的描述具体参考医疗数据处理方法部分，在此不再赘述。本公开的实施例中医疗数据分析装置部分与本公开的实施例中医疗数据分析方法部分是相对应的，医疗数据分析装置部分的描述具体参考医疗数据分析方法部分，在此不再赘述。

图17示意性示出了根据本公开实施例的适于实现医疗数据处理方法和医疗数据分析方法的电子设备的框图。图17示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图17所示，根据本公开实施例的电子设备1700包括处理器1701，其可以根据存储在只读存储器(ROM)1702中的程序或者从存储部分1708加载到随机访问存储器(RAM)1703中的程序而执行各种适当的动作和处理。处理器1701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1701还可以包括用于缓存用途的板载存储器。处理器1701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1703中，存储有电子设备1700操作所需的各种程序和数据。处理器1701、ROM 1702以及RAM 1703通过总线1704彼此相连。处理器1701通过执行ROM 1702和/或RAM 1703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1702和RAM 1703以外的一个或多个存储器中。处理器1701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1700还可以包括输入/输出(I/O)接口1705，输入/输出(I/O)接口1705也连接至总线1704。系统1700还可以包括连接至I/O接口1705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1707；包括硬盘等的存储部分1708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1709。通信部分1709经由诸如因特网的网络执行通信处理。驱动器1710也根据需要连接至I/O接口1705。可拆卸介质1711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1710上，以便于从其上读出的计算机程序根据需要被安装入存储部分1708。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1709从网络上被下载和安 装，和/或从可拆卸介质1711被安装。在该计算机程序被处理器1701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM1702和/或RAM 1703和/或ROM 1702和RAM 1703以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的医疗数据处理方法、医疗数据分析方法。

在该计算机程序被处理器1701执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1709被下载和安装，和/或从可拆卸介质1711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或 面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。