(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210683863.8 (22)申请日 2022.06.16 (71)申请人 京东科技信息技 术有限公司 地址 100176 北京市大兴区经济技 术开发 区科创十一 街18号院2号楼6层6 01 (72)发明人 曹琼　马学琦　陶大程　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 赵迎迎 (51)Int.Cl. G16H 50/30(2018.01) G16H 30/40(2018.01) G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/136(2017.01)G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种生存预测方法、 装置、 设备和存 储介质 (57)摘要 本发明实施例公开了一种生存 预测方法、 装 置、 设备和存储介质， 可以应用于数智医疗中， 该 方法包括： 获取目标患者的全视野数字切片图 像； 对全视野数字切片图像进行采样， 获得各个 局部图像块； 对每个局部图像块进行特征提取， 确定每个局部图像块对应的第一浅层特征信息 和第一深层特征信息； 根据第一图网络模型和各 个第一浅层特征信息， 确定每个局部图像块对应 的第二浅层特征信息； 根据第二图网络模型和各 个第一深层特征信息， 确定每个局部图像块对应 的第二深层特征信息； 根据预设生存预测模型、 各个第二浅层特征信息和各个第二深层特征信 息， 确定目标患者对应的生存预测结果。 通过本 发明实施例的技术方案， 可以提高生成预测准确 性。 权利要求书3页 说明书16页 附图6页 CN 114898881 A 2022.08.12 CN 114898881 A 1.一种生存预测方法， 其特 征在于， 包括： 获取目标患者的全视野数字切片图像； 对所述全视野数字切片图像进行采样， 获得 各个局部图像块； 对每个局部图像块进行特征提取， 确定每个局部图像块对应的第 一浅层特征信 息和第 一深层特 征信息； 根据第一图网络模型和各个所述第 一浅层特征信 息， 对各个所述局部图像块进行信 息 聚合， 确定每 个所述局部图像块对应的第二浅层特 征信息； 根据第二图网络模型和各个所述第 一深层特征信 息， 对各个所述局部图像块进行信 息 聚合， 确定每 个所述局部图像块对应的第二深层特 征信息； 根据预设生存预测模型、 各个所述第二浅层特征信息和各个所述第二深层特征信息， 确定所述目标患者对应的生存预测结果。 2.根据权利要求1所述的方法， 其特征在于， 所述对每个局部 图像块进行特征提取， 确 定每个局部图像块对应的第一浅层特 征信息和第一深层特 征信息， 包括： 将每个局部图像块输入至预设特 征提取模型中进行 特征提取； 根据所述预设特征提取模型中的第 一残差模块的输出， 确定每个局部图像块对应的第 一浅层特 征信息； 根据所述预设特征提取模型中的第 二残差模块的输出， 确定每个局部图像块对应的第 一深层特 征信息； 其中， 所述第二残差模块对应的层序数 大于所述第一残差模块对应的层序数。 3.根据权利要求1所述的方法， 其特 征在于， 所述第一图网络模型为： 简单图网络模型； 所述根据第 一图网络模型和各个所述第 一浅层特征信 息， 对各个所述局部图像块进行 信息聚合， 确定每 个所述局部图像块对应的第二浅层特 征信息， 包括： 将各个所述第 一浅层特征信 息输入至所述简单图网络模型进行信 息聚合， 并根据 所述 简单图网络模型的输出， 确定每 个所述局部图像块对应的第二浅层特 征信息。 4.根据权利要求3所述的方法， 其特征在于， 所述简单图网络模型包括： 简单图构建子 模型和第一信息聚合子模型； 所述将各个所述第一浅层特 征信息输入至所述简单图网络模型进行信息聚合， 包括： 将各个所述第 一浅层特征信 息输入所述简单图构建子模型中， 基于各个所述第 一浅层 特征信息进行简单图构建， 确定构建出的目标简单图； 将所述目标简单图和各个所述第 一浅层特征信 息输入所述第 一信息聚合子模型中， 基 于所述目标简单图和各个所述第一浅层特征信息进行信息聚合， 确定每个所述局部图像块 对应的第二浅层特 征信息。 5.根据权利要求4所述的方法， 其特征在于， 所述将各个所述第 一浅层特征信 息输入所 述简单图构建子模型中， 基于各个所述第一浅层特征信息进行简单图构建， 确定构建出 的 目标简单图， 包括： 获取每个所述局部图像块在所述全视野数字切片图像中的位置信息； 将各个所述第 一浅层特征信 息和各个所述位置信 息输入所述简单图构建子模型中， 基 于各个所述第一浅层特征信息和各个所述位置信息进 行简单图构建， 确定构建出的目标简 单图。权　利　要　求　书 1/3 页 2 CN 114898881 A 26.根据权利要求5所述的方法， 其特征在于， 所述基于各个所述第 一浅层特征信 息和各 个所述位置信息进行简单图构建， 确定构建出的目标简单图， 包括： 将每个所述局部图像块作为 一个节点； 基于每个节点对应的所述第 一浅层特征信 息， 确定每个节点对应的一阶视觉子图和二 阶视觉子图； 基于每个节点对应的所述位置信 息， 确定每个节点对应的一阶位置子图和二阶位置子 图； 将各个所述一阶视觉子图、 各个所述二阶视觉子图、 各个所述一阶位置子图、 各个所述 二阶位置 子图进行合成， 获得构建出的目标简单图。 7.根据权利要求6所述的方法， 其特征在于， 所述基于每个节点对应的所述第 一浅层特 征信息， 确定每 个节点对应的一阶视 觉子图和二阶视 觉子图， 包括： 基于每个节点对应的所述第一浅层特 征信息， 确定每两个节点之间的视 觉相似度； 基于所述视觉相似度和预设一阶邻居节点数量， 确定每个节点对应的各个一阶邻居节 点， 并将每个节点与相 应的每个一 阶邻居节点连接一条边， 获得每个节点对应的一 阶视觉 子图； 基于各个所述 一阶视觉子图， 确定每 个节点对应的二阶视 觉子图。 8.根据权利要求4所述的方法， 其特征在于， 所述第 一信息聚合子模型包括第 一预设数 量的谱卷积层； 所述基于所述目标简单图和各个所述第 一浅层特征信 息进行信 息聚合， 确定每个所述 局部图像块对应的第二浅层特 征信息， 包括： 将所述目标简单图和各个所述第 一浅层特征信 息输入至第 一个谱卷积层， 并将所述目 标简单图和第一个谱卷积层输出的特 征信息输入至下一个谱卷积层； 基于最后一个谱卷积层的输出， 确定每 个所述局部图像块对应的第二浅层特 征信息。 9.根据权利要求1所述的方法， 其特 征在于， 所述第二图网络模型为： 超图网络模型； 所述根据第 二图网络模型和各个所述第 一深层特征信 息， 对各个所述局部图像块进行 信息聚合， 确定每 个所述局部图像块对应的第二深层特 征信息， 包括： 将各个所述第 一深层特征信 息输入至所述超图网络模型进行信 息聚合， 并根据 所述超 图网络模型的输出， 确定每 个所述局部图像块对应的第二深层特 征信息。 10.根据权利要求9所述的方法， 其特征在于， 所述超图网络模型包括： 超图构建子模型 和第二信息聚合子模型； 所述将各个所述第一深层特 征信息输入至所述超图网络模型进行信息聚合， 包括： 将各个所述第 一深层特征信 息输入所述超图构建子模型中， 基于各个所述第 一深层特 征信息进行超图构建， 确定构建出的目标超图； 将所述目标超图和各个所述第 一深层特征信 息输入所述第 二信息聚合子模型中， 基于 所述目标超图和各个所述第一深层特征信息进行信息聚合， 确定每个所述局部图像块对应 的第二深层特 征信息。 11.根据权利要求10所述的方法， 其特征在于， 所述将各个所述第 一深层特征信 息输入 所述超图构建子模型中， 基于各个所述第一深层特征信息进行超图构建， 确定构建出 的目 标超图， 包括：权　利　要　求　书 2/3 页 3 CN 114898881 A 3