[发明专利]肺癌分期识别方法、装置、设备及存储介质

权利要求书

1.一种肺癌分期识别方法，其特征在于，包括：

获取采样气体的传感器阵列信号，其中，所述传感器阵列信号包括多个第一子传感器信号；

提取所述多个第一子传感器信号的特征向量，并通过注意力网络分别确定每个所述第一子传感器信号的特征向量对于每一肺癌分期类别的注意力分数；

根据所述注意力分数和所述第一子传感器信号的特征向量进行注意力加权，并通过对加权后的第一子传感器信号的特征向量求和，得到所述传感器阵列信号的融合特征；

将所述融合特征输入多类分类器进行处理，确定肺癌分期结果。

2.如权利要求1所述的方法，其特征在于，所述肺癌分期类别为四种，所述注意力网络包括与四种肺癌分期类别分别对应的四个分支网络，所述通过注意力网络分别确定每个所述第一子传感器信号的特征向量对于每一肺癌分期类别的注意力分数，包括：

对于每个分支网络，通过激活函数对每个所述第一子传感器信号的特征向量进行处理，生成每个所述第一子传感器信号的特征向量对于该分支网络对应的肺癌分期类别的注意力分数。

3.如权利要求1或2所述的方法，其特征在于，还包括：

获取样本传感器阵列信号，其中，所述样本传感器阵列信号包括多个第二子传感器信号，所述样本传感器阵列信号标注有对应的肺癌分期类别标记；

基于所述样本传感器阵列信号和所述对应的肺癌分期类别标记，训练神经网络模型的学习参数；所述神经网络模型包括所述注意力网络和所述多类分类器。

4.如权利要求3所述的方法，其特征在于，所述基于所述样本传感器阵列信号和所述对应的肺癌分期类别标记，训练神经网络模型的学习参数，包括：

对于每一肺癌分期类别，获取该肺癌分期类别的第二子传感器信号的正样本和负样本；

通过各肺癌分期类别的第二子传感器信号的正样本和负样本，训练各肺癌分期类别对应的聚类器，其中，多个聚类器与多种肺癌分期类别一一对应；

根据训练完成的所述聚类器的损失函数与所述神经网络模型的损失函数之和，更新所述神经网络模型的损失函数。

5.如权利要求4所述的方法，其特征在于，所述对于每一肺癌分期类别，获取该肺癌分期类别的第二子传感器信号的正样本和负样本，包括：

对于每一肺癌分期类别，通过注意力网络确定多个第二子传感器信号的特征向量对于该肺癌分期类别的注意力分数；

从所述多个第二子传感器信号的特征向量中，确定注意力分数较高的N个第一特征向量，以及确定注意力分数较低的N个第二特征向量；

若该肺癌分期类别与样本所对应的肺癌分期类别标记一致，则将所述第一特征向量作为所述正样本，将所述第二特征向量作为所述负样本；

若该肺癌分期类别与所述样本所对应的肺癌分期类别标记不一致，则将所述第一特征向量作为所述负样本。

6.如权利要求1所述的方法，其特征在于，所述根据所述注意力分数和所述第一子传感器信号的特征向量进行注意力加权，并通过对加权后的第一子传感器信号的特征向量求和，得到所述传感器阵列信号的融合特征，包括：

对于每一肺癌分期类别，根据每个所述第一子传感器信号的特征向量对于该肺癌分期类别的注意力分数，分别对每个所述第一子传感器信号的特征向量进行加权；

根据加权后的各第一子传感器信号的特征向量进行求和，生成所述传感器阵列信号对于该肺癌分期类别的融合特征。

7.如权利要求1所述的方法，其特征在于，所述将所述融合特征输入多类分类器进行处理，确定肺癌分期结果，包括：

将每一肺癌分期类别对应的融合特征输入所述多类分类器，得到该肺癌分期类别的概率；

将所述概率中最大值对应的肺癌分期类别，确定为所述肺癌分期结果。