基于多模态大数据分析方法的肛肠疾病临床诊断标准及演化模型研究

Anorectal disease is one of most typical diseases in Guangdong province. Due to the complexity and multiformity of relevant data, anorectal disease pathogenesis has not been fully investigated. With the advent of the era of big data and the development of the big data information extraction technology, it is feasible to investigate the evolvement rules of anorectal diseases. This project aims to carry out the research from the following five aspects. Firstly, based on the design of asynchronous sampling rate, dynamic outliers’ judgment and dynamic quantizer, we propose a novel method to obtain the multimodal big data. Secondly, based on Convolutional Neural Networks (CNNs) and matrix factorization, we propose a hybrid collaborative filtering model to predict the risk factors of anorectal disease from multimodal big-data. Meanwhile, based on local feature classification principle and convolutional neural networks, we propose an incremental anorectal diseases identification algorithm to consider new coming data incrementally. Furthermore, we establish a dynamic model for anorectal diseases individuals based on the nonlinear fuzzy system, and design the rolling optimal treatment for anorectal diseases based on online identification and online correction schemes. After that, we discover the evolutional rules of anorectal diseases groups using transfer learning techniques based on multimodal big-data. Finally, we design a diagnosis platform for anorectal diseases to assist medical service based on the results of this project. The project has important theoretical and application value in the treatment of anorectal disease.

肛肠疾病是广东省的典型疾病。由于本身的复杂性和影响因素的多样性，肛肠疾病的发病机制至今没有得到全面的解释。随着大数据信息提取技术的发展，基于大数据提取肛肠疾病的发病因素并探索其演化规律成为可能。本项目将从五个方面展开具体的研究：首先，设计异步多采样率、动态离群值判断和动态量化器，给出新型的多模态大数据感知与获取方法；其次，基于卷积神经网络和矩阵分解原理，提出多模态大数据混合协同过滤方法，实现对肛肠疾病危险因素的准确预测。同时，基于特征数据局部分类原理，提出基于卷积神经网络的增量式肛肠疾病识别算法；再次，根据非线性模糊系统的输入输出关系，建立肛肠疾病个体的动态治疗模型，采用在线识别和在线修正方案，设计肛肠疾病的滚动优化预测治疗方案；然后，通过多模态大数据的迁移学习，实现对肛肠疾病群体演化规律的准确预测。最后，基于研究结果搭建肛肠疾病辅助诊断平台。项目的研究具有重要的理论与应用价值。

针对广东省典型高发的肛肠疾病，为解决基于多模态医学大数据的挖掘分析与临床辅助诊断难题，项目组围绕计划书中的三点核心研究内容，即面向肛肠疾病的普适化多模态数据新型感知与获取方法、面向肛肠疾病的多模态数据挖掘方法和基于多模态大数据特征信息的肛肠疾病动态演化规律，展开了深入研究。.基于项目执行期内核心研究成果，以及协作单位中山大学第六附属医院提供的肛肠疾病多模态医学数据和模拟医学数据，依托中山大学广州超算中心“天河二号”超级计算机与广东工业大学自动化学院大数据平台，项目组设计并研发了基于多模态大数据的肛肠疾病智能辅助诊断系统。该系统由两部分组成，其一是面向肛肠疾病科室门诊医师的智能辅助诊断平台，主要功能包括：1）基于结肠癌组织病理学图像的辅助诊断；2）基于多模态医学大数据的肛肠疾病致病因素分析挖掘；3）肛肠疾病患者病情演化规律分析及预后；其二是肛肠疾病医疗大数据分析监控大屏，主要展示内容包括：重点疾病监测、重点手术监测、就诊年龄和职业分布、以及广东省肛肠疾病门诊人数热力效果图等。该成果针对广东省高发病率的肛肠疾病，为医师提供了较高可靠性与准确率的临床辅助诊断结果，有助于肛肠疾病的早发现与早诊断；大数据致病因素挖掘为患者有效预防肛肠疾病、改善不良生活习惯提供了科学引导；疾病演化规律预测为医师用药或手术提供了参考方案。未来该成果的完善与推广将有助于提高肛肠疾病的临床诊断效率，具有广泛的前景与临床应用价值。.通过本项目的研究，共发表高水平论文96篇，其中SCI论文73篇(IEEE汇刊论文35篇，Automatica论文4篇)，ESI高被引论文14篇，领域热点论文1篇；出版英文专著1部。项目负责人鲁仁全教授入选2019和2020年全球高被引科学家名单。申请专利32项，其中授权8项。获软著4项。获教育部自然科学一等奖、广东省科技进步一等奖和IEEE国际会议最佳论文提名奖各1项。培养国家优青、青年长江学者各1名，教授2名，博士后11名，博士23名，硕士123名。