基于RegIII蛋白的溃疡性结肠炎疾病活动度预测方法及系统

本发明涉及结肠炎，尤其涉及基于reg iii蛋白的溃疡性结肠炎疾病活动度预测方法及系统。

背景技术：

1、溃疡性结肠炎（uc）是一种慢性、进展性肠病，uc的疾病活动度评估和达标治疗，在临床实践中仍面临挑战，更为量化的、客观的、可操作性的评价指标，为 uc 疾病分层评估和达标治疗目标实现的关键。肠道分泌的胰腺再生蛋白 iii（reg iii），作为肠黏膜屏障受损和修复的关键蛋白，与结肠炎疾病严重程度相关。

2、目前，uc的诊断主要依赖于临床症状、血液生化指标、内镜检查以及组织病理学评估。其中，reg iii蛋白作为一种具有潜在诊断价值的生物标志物，已在uc的诊断中得到应用。reg iii蛋白属于c型凝集素类抗菌肽，由肠道上皮细胞分泌，与肠黏膜屏障的维护和修复密切相关，其表达水平在uc患者中显著升高。

3、尽管reg iii蛋白在uc的诊断中展现出了应用潜力，但现有的检测技术主要依赖于通过内镜活检获取肠道组织样本来测定reg iii蛋白含量。这一过程不仅对患者来说带来身体上的痛苦和心理压力，而且增加了医疗成本和时间。而且患者对活检重复检测的接受度较低，这限制了uc疾病活动度的连续监测和治疗效果的评估。

4、因此，开发一种根据粪便中reg iii蛋白含量的uc疾病活动度的检测方法，对于改善uc的诊断和治疗具有重要的临床意义。

技术实现思路

1、针对现有技术中溃疡性结肠炎疾病活动度预测时，缺乏一种无创性、易于被患者接受且能够准确给出预测结果的检测手段，本发明提出基于reg iii蛋白的溃疡性结肠炎疾病活动度预测方法，具体包括如下步骤：

2、步骤s1，获取待测患者的临床资料、粪便样本检测结果和结肠镜图像，所述临床资料包括：待测患者的病程和病史；

3、步骤s2，对所述结肠镜图像进行预处理，获取预处理后的结肠镜图像；

4、步骤s3，根据所述病程、病史，获取待测患者初诊年龄、疾病持续时间，根据预处理后的结肠镜图像，获取待测患者的溃疡性结肠炎病变范围；

5、步骤s4，将所述初诊年龄、所述疾病持续时间和所述溃疡性结肠炎病变范围输入溃疡性结肠炎分型系统，输出分型结果；

6、步骤s5，对预处理后的结肠镜图像进行严重程度指数计算，得到严重程度评分；

7、步骤s6，根据所述粪便样本检测结果获取粪便中reg iii蛋白含量和粪便钙卫蛋白含量，根据所述reg iii蛋白含量和粪便钙卫蛋白含量计算蛋白含量参考指标；

8、步骤s7，将所述分型结果、所述严重程度评分、所述蛋白含量参考指标输入训练好的深度神经网络模型，输出待测患者的溃疡性结肠炎疾病活动度。

9、进一步的，所述步骤s2中，所述预处理包括去噪、灰度化处理，增强图像的对比度。

10、进一步的，所述步骤s3中，根据预处理后的结肠镜图像，获取待测患者的溃疡性结肠炎病变范围，具体为：

11、步骤s31，图像分割：通过图像分割技术将结肠镜图像中的病变区域与正常组织进行分割；

12、步骤s32，特征提取：通过形状特征、纹理特征和颜色特征对分割后的结肠镜图像进行特征提取；

13、步骤s33，病变区域识别：对病变区域进行识别，获取溃疡性结肠炎病变范围。

14、进一步的，所述步骤s4中，溃疡性结肠炎分型系统为训练好的卷积神经网络模型，分型结果包括年龄分型、病程分型、病变范围分型和疾病行为分型。

15、进一步的，所述步骤s5中，严重程度指数计算方法为：

16、步骤s51，获取患者结肠镜图像，并进行预处理；

17、步骤s52，对所述预处理后的结肠镜图像进行标记，并根据标记分数得到每张结肠镜图像对应的严重程度评分；所述标记包括血管纹理标记、出血情况标记和糜烂程度标记；

18、步骤s53，将预处理后的结肠镜图像作为输入，严重程度评分作为输出，训练卷积神经网络模型，得到严重程度指数计算模型；

19、步骤s54，将待测患者结肠镜图像进行预处理后，输入所述严重程度指数计算模型，得到严重程度评分。

20、进一步的，所述步骤s52中，对所述预处理后的结肠镜图像进行标记，并根据标记分数得到每张结肠镜图像对应的严重程度评分，具体为：

21、步骤s521，将血管纹理按照无炎症到有严重炎症划分为m个等级，分别赋予分数m1、m2、……、mm；

22、步骤s522，将出血情况按照无炎症到有严重炎症划分为n个等级，分别赋予分数n1、n2、……、nn；

23、步骤s523，将糜烂程度按照无炎症到有严重炎症划分为p个等级，分别赋予分数p1、p2、……、pp；

24、步骤s524，将血管纹理分数、出血情况分数、糜烂程度分数进行求和，得到严重程度评分。

25、进一步的，所述步骤s6中，根据所述reg iii蛋白含量和粪便钙卫蛋白含量计算蛋白含量参考指标，具体为：

26、；

27、其中，p为蛋白含量参考指标，cr为reg iii蛋白含量，crmax为reg iii蛋白含量正常范围的最大值，cg为粪便钙卫蛋白含量，cgmax为粪便钙卫蛋白含量正常范围的最大值，sy为结肠镜图像中炎症范围的面积，sj为结肠镜图像中观测到的肠粘膜的总面积，m为严重程度评分，mmax为严重程度评分的最大值，ω1、ω2、ω3为权重。

28、进一步的，所述步骤s7中，训练好的深度神经网络模型训练步骤具体为：

29、步骤s71，获取两年内医院获取的溃疡性结肠炎患者的临床资料、粪便样本检测结果、结肠镜图像和根据组织样本得到的溃疡性结肠炎疾病活动度检测结果，所述临床资料包括：患者的病程和病史；

30、步骤s72，对步骤s71得到的结肠镜图像进行预处理，所述预处理包括去噪、灰度化处理，增强图像的对比度；

31、步骤s73，根据步骤s71得到的病程、病史，获取患者初诊年龄、疾病持续时间，根据预处理后的结肠镜图像，获取患者的溃疡性结肠炎病变范围；

32、步骤s74，将步骤s73获得的初诊年龄、所述疾病持续时间和所述溃疡性结肠炎病变范围输入溃疡性结肠炎分型系统，输出分型结果；

33、步骤s75，对预处理后的结肠镜图像进行严重程度指数计算，得到严重程度评分；

34、步骤s76，根据步骤s71得到的粪便样本检测结果获取粪便中reg iii蛋白含量和粪便钙卫蛋白含量，根据所述reg iii蛋白含量和粪便钙卫蛋白含量计算蛋白含量参考指标；

35、步骤s77，将所述分型结果、所述严重程度评分、所述蛋白含量参考指标作为输入，将所述根据组织样本得到的溃疡性结肠炎疾病活动度检测结果作为输出，训练深度神经网络模型，得到训练好的深度神经网络模型。

36、进一步的，所述步骤s7中，溃疡性结肠炎疾病活动度包括：缓解期、轻度活动期、中度活动期和重度活动期。

37、基于reg iii蛋白的溃疡性结肠炎疾病活动度预测系统，所述系统采用如上任一项所述的基于reg iii蛋白的溃疡性结肠炎疾病活动度预测方法，具体包括如下模块：

38、数据获取模块：用于获取待测患者的临床资料、粪便样本检测结果和结肠镜图像，所述临床资料包括：待测患者的病程和病史；

39、预处理模块：与所述数据获取模块连接，用于对所述结肠镜图像进行预处理，获取预处理后的结肠镜图像；

40、数据分析模块：与所述数据获取模块和所述预处理模块连接，用于根据所述病程、病史，获取待测患者初诊年龄、疾病持续时间，根据预处理后的结肠镜图像，获取待测患者的溃疡性结肠炎病变范围；根据所述粪便样本检测结果获取粪便中reg iii蛋白含量和粪便钙卫蛋白含量，根据所述reg iii蛋白含量和粪便钙卫蛋白含量计算蛋白含量参考指标；

41、溃疡性结肠炎分型模块：与所述数据分析模块连接，用于根据所述初诊年龄、所述疾病持续时间和所述溃疡性结肠炎病变范围，输出分型结果；

42、严重程度评分模块：与所述预处理模块连接，用于对预处理后的结肠镜图像进行严重程度指数计算，得到严重程度评分；

43、活动度预测模块：与所述数据分析模块、溃疡性结肠炎分型模块和所述严重程度评分模块连接，用于根据所述分型结果、所述严重程度评分、所述蛋白含量参考指标，输出待测患者的溃疡性结肠炎疾病活动度。

44、与现有技术相比较，本发明的有益效果在于：

45、其一，本发明综合考虑粪便中reg iii蛋白含量和粪便钙卫蛋白含量，提升了单一采用粪便钙卫蛋白含量进行溃疡性结肠炎疾病活动度预测的准确率，且该方法无需进行活检，减少了患者身体上的痛苦和心理压力，提高了患者的接受度；

46、其二，对原始数据进行处理，得到分型结果、严重程度评分、蛋白含量参考指标，减少了深度神经网络模型的计算量，提高预测效率；

47、其三，在计算蛋白含量参考指标时，本发明不仅考虑了reg iii蛋白含量和粪便钙卫蛋白含量，还结合了结肠镜图像中炎症范围的面积比例和严重程度评分，多因素综合考量的方法提高了预测的精确性和临床相关性。