肺癌分类方法、装置、设备及存储介质与流程

1.本公开涉及人工智能技术领域，尤其涉及一种肺癌分类方法、装置、设备及存储介质。


背景技术：

2.气体传感器已广泛应用于现代工业，尤其是医疗检测领域。在肺癌分类场景中，采用电子鼻气体传感器阵列对病人呼吸气体进行信号采样，通过深度学习对气体数据中包含的不同成分气体标志物的含量进行学习分析，实现肺癌分类，对于诊断和治疗具有重要的临床意义。
3.相关技术中，基于电子鼻实现肺癌分类时，将特征提取器与浅层学习模式相结合，特征提取器将原始信号转换为低维向量，浅层学习模式例如人工神经网络或支持向量机，常用的特征提取器例如傅里叶变换、小波变换、经验模式分解、谱峰度和稀疏表示。然而，特征提取器的构造需要相关的先验知识，由于不同类样本构成的传感器阵列信号越来越复杂和多样化，使得为每种类型传感器阵列构造特征提取器非常耗时，并且，由于组件、系统或采样频率的变化、电子鼻仪器的工作环境等多种因素可能导致信号的变化，且气体种类间差异小使得信号的本身区分难度大，不适合人工介入指导，该方式的准确度有待提高。


技术实现要素：

4.为了解决上述技术问题，本公开提供了一种肺癌分类方法、装置、设备及存储介质。
5.第一方面，本公开实施例提供了一种肺癌分类方法，包括：
6.获取采样气体的传感器阵列信号；
7.将所述传感器阵列信号分别输入多个特征提取网络分支进行特征提取，生成与所述多个特征提取网络分支分别对应的多个特征向量，其中，所述多个特征提取网络分支具有不同的卷积核尺度，且每个特征提取网络分支中均为一维卷积核；
8.将所述多个特征向量进行特征融合，生成所述传感器阵列信号的基特征向量；
9.将所述基特征向量输入分类模型，生成与所述传感器阵列信号对应的肺癌分类结果。
10.第二方面，本公开实施例提供了一种肺癌分类装置，包括：
11.获取模块，用于获取采样气体的传感器阵列信号；
12.提取模块，用于将所述传感器阵列信号分别输入多个特征提取网络分支进行特征提取，生成与所述多个特征提取网络分支分别对应的多个特征向量，其中，所述多个特征提取网络分支具有不同的卷积核尺度，且每个特征提取网络分支中均为一维卷积核；
13.融合模块，用于将所述多个特征向量进行特征融合，生成所述传感器阵列信号的基特征向量；
14.分类模块，用于将所述基特征向量输入分类模型，生成与所述传感器阵列信号对
应的肺癌分类结果。
15.第三方面，本公开实施例提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述第一方面所述的肺癌分类方法。
16.第四方面，本公开实施例提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的肺癌分类方法。
17.本公开实施例提供的技术方案与现有技术相比具有如下优点：通过将传感器阵列信号分别输入多个不同尺度的特征提取网络分支进行特征提取，生成多个特征向量，将多个特征向量进行特征融合，生成所传感器阵列信号的基特征向量，进而，将基特征向量输入分类模型，生成与传感器阵列信号对应的肺癌分类结果，由此，针对基于电子鼻气体传感器阵列的肺癌类别检测场景，对用于图像领域的特征提取网络进行改进以实现特征提取网络在肺癌分类场景中的应用，相较于构造特征提取器的方式，减少人工介入，提高了处理效率，并且，通过多尺度的特征提取网络分析进行信号下采样特征提取，并将多尺度采样得到的特征进行特征融合，从多尺度的角度提取多元时间序列信号的基特征，以便准确地对病人的呼吸组学气体信号进行分类，提高肺癌分类的准确性。
附图说明
18.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
19.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
20.图1为本公开实施例所提供的一种肺癌分类方法的流程示意图；
21.图2为本公开实施例所提供的一种传感器阵列信号示意图；
22.图3为本公开实施例所提供的一种网络结构示意图；
23.图4为本公开实施例所提供的另一种肺癌分类方法的示意图；
24.图5为本公开实施例所提供的一种肺癌分类装置的结构示意图。
具体实施方式
25.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
26.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
27.图1为本公开实施例所提供的一种肺癌分类方法的流程示意图，本公开实施例提供的方法可以由肺癌分类装置来执行，该装置可以采用软件和/或硬件实现，并可集成在任意具有计算能力的电子设备上。
28.如图1所示，本公开实施例提供的肺癌分类方法可包括：
29.步骤101，获取采样气体的传感器阵列信号。
30.本实施例中，采用电子鼻气体传感器阵列对病人呼吸气体进行信号采样，获取传感器阵列信号。其中，该气体传感器阵列可以由多个子传感器组成，传感器阵列信号包括多个子传感器信号，传感器阵列信号用于病人样本的肺癌分类。
31.可选地，气体传感器阵列由22个子传感器组成，本示例中采用传感器阵列中的22个子传感器信号，电子鼻气体传感器阵列从病人呼吸气体中采集到数据后，每个气体传感器阵列产生维度为22的呼吸组学多元时间序列。作为一种示例，传感器阵列信号如图2所示。
32.步骤102，将传感器阵列信号分别输入多个特征提取网络分支进行特征提取，生成与多个特征提取网络分支分别对应的多个特征向量。
33.其中，多个特征提取网络分支具有不同的卷积核尺度，且每个特征提取网络分支中均为一维卷积核。
34.作为一种示例，特征提取网络为残差网络，残差网络分支的数量为六个，六个残差网络分支的卷积核尺度分别为1
×
3、1
×
5、1
×
7、1
×
9、1
×
11、1
×
15。需要说明的是，上述残差网络分支的数量和具体卷积核尺度为一种选择，也可以根据实际需要进行调整，此处不作具体限制。
35.本实施例中，每个残差网络分支均对传感器阵列信号进行特征提取，能够得到传感器阵列信号通过具有多个不同尺度卷积核的残差网络进行特征提取的结果。相关技术中，残差网络用于图像处理领域，而本实施例中针对传感器阵列信号的特点，在残差网络的基础上进行了改进，以用于基于电子鼻气体传感器阵列的肺癌分类场景下，针对多元时间序列的特征提取，进一步实现肺癌分类。
36.下面对残差网络分支的实现方式进行举例说明。
37.通过堆叠两个cnn(convolutional neural networks，卷积神经网络)块以构建子块，通过在每个cnn块之间探索残差学习结构，以构建用于复杂特征提取的深度网络，其中，cnn块的构建方式如下所示：s＝bn(y)，h＝leakyrelu(s)，其中，是卷积算子；bn是批量归一化操作，能够降低梯度消失现象，并允许采用较高的学习率以实现快速收敛；leakyrelu是激活函数。其中，子块形式如下：h1＝basiccnn(x)，h2＝basiccnn(h1)，y＝h2+x，其中，basiccnn表示cnn块。
38.进而，通过堆叠多个子块来构建残差网络分支，每个残差网络分支具有4个阶段(stage)，每个阶段形式如下：(stage)，每个阶段形式如下：其中，basicblock表示子块，i表示子块数量。作为一种示例，4个阶段的子块数量依次为：3，4，6，3。
39.多个残差网络分支共享头部网络的权重参数，头部网络由卷积层、归一化层、激活层和池化层组成。例如，头部网络由一个1
×
7的卷积核构成的卷积层、归一化(norm)层、激活层和最大池化(maxpooling)层构成，可表示为如下所示：sh＝bn(yh)，hh＝leakyrelu(sh)，作为一种示例，以前述的六个残差网络分支为例，模型结构示意图参照图3。
40.步骤103，将多个特征向量进行特征融合，生成传感器阵列信号的基特征向量。
41.本实施例中，通过将不同尺度的多个特征向量进行特征融合，生成传感器阵列信号的基特征向量。其中，特征融合包括对特征向量的相加运算。
42.在本公开的一个实施例中，对于传感器阵列信号包括的多个子传感器信号，通过以下步骤进行特征提取：将每个子传感器信号分别输入多个特征提取网络分支进行特征提取，生成每个子传感器信号对应的多个特征向量。进而，将每个子传感器信号对应的多个特征向量进行特征融合，生成每个子传感器信号对应的融合特征，根据每个子传感器信号对应的融合特征，生成传感器阵列信号的基特征向量。
43.作为一种示例，以22个子传感器信号为例，每个子传感器信号均输入六个残差网络分支进行特征提取，生成六个不同尺度的特征向量(1
×
512维度)，进而将该六个不同尺度的特征向量进行特征融合，生成该子传感器信号的融合特征(1
×
512维度)。对于22个子传感器信号，共得到22个融合特征，作为传感器阵列信号的基特征向量。
44.步骤104，将基特征向量输入分类模型，生成与传感器阵列信号对应的肺癌分类结果。
45.本实施例中，将传感器阵列信号的基特征向量输入预训练的分类模型，生成与传感器阵列信号对应的肺癌分类结果，该分类模型可以是基于神经网络实现的，肺癌分类结果用于指示肺癌类别，具体肺癌类别可以根据相关标准确定。
46.根据本公开实施例的技术方案，通过将传感器阵列信号分别输入多个不同尺度的特征提取网络分支进行特征提取，生成多个特征向量，将多个特征向量进行特征融合，生成传感器阵列信号的基特征向量，进而，将基特征向量输入分类模型，生成与传感器阵列信号对应的肺癌分类结果，由此，针对基于电子鼻气体传感器阵列的肺癌类别检测场景，对用于图像领域的特征提取网络进行改进以实现特征提取网络在肺癌分类场景中的应用，相较于构造特征提取器的方式，减少人工介入，提高了处理效率，并且，通过多尺度的特征提取网络分析进行信号下采样特征提取，并将多尺度采样得到的特征进行特征融合，从多尺度的角度提取多元时间序列信号的基特征，以便准确地对病人的呼吸组学气体信号进行分类，解决了应用电子鼻进行气体分类时，由于组件、系统或采样频率等操作条件的变化，导致信号分析能力有待提高的问题，提高肺癌分类的准确性。
47.基于上述实施例，为了进一步提高肺癌分类的准确度，本技术中的分类模型采用改进的基于多头自注意力机制的神经网络实现，其中，transformer神经网络是针对图像领域的深度学习网络，而本实施例中针对肺癌分类场景中的多元时间序列信号，通过对transformer神经网络进行如下改进以实现分类模型，相较于传统的肺癌分类方法，进一步提高了准确度。
48.图4为本公开实施例所提供的另一种肺癌分类方法的示意图，如图4所示，该方法中，将基特征向量输入分类模型，生成与传感器阵列信号对应的肺癌分类结果，包括：
49.步骤401，将基特征向量输入目标卷积层进行卷积，得到卷积后的基特征向量。
50.其中，目标卷积层为1
×
1的卷积层。
51.本实施例中，为了适应多元时序数据的学习，去除了网络前端的图像分片、卷积及展平的操作，将前述特征提取网络输出的n个向量(tokens)作为该分类模型的输入，该n个向量代表不同尺度上对传感器阵列信号提取的基特征。
52.在分类模型中，构建1
×
1的卷积层，通过该卷积层对基特征向量进行卷积，起到跨通道聚合的作用，实现通道间信息的线性组合变化，并且，实现特征升维，将基特征向量进行维度扩展，增加特征的表达能力，使得在低维度中难以区分的特征在高维度中可以准确区分，使特征结构稀疏化，有利于训练和学习，增加语义泛化性。经过卷积后的特征通过移除层(dropout层)进行处理。本步骤中，激活函数采用leakyrelu。
53.步骤402，在卷积后的基特征向量中插入预训练的分类向量，生成第一向量。
54.本实施例中，分类模型基于transformer神经网络实现，且删除了位置编码层(position embedding)，不同尺度的特征向量是整个信号以不同方法反复提取得到的，彼此之间不存在空间位置上的相对联系。进而，通过新增分类向量并在基特征向量中插入该分类向量，以添加分类信息，其中，分类向量是可训练的参数，数据格式是一个向量。可选地，将该分类向量与基特征向量进行拼接，例如将分类向量与前述步骤输出的n个向量进行拼接，生成第一向量，第一向量包括n+1个向量。
55.步骤403，通过编码器对第一向量进行编码，生成第二向量。
56.本实施例中，编码器采用transformer神经网络的编码块(encoder block)，在transformer神经网络的多个串联的编码块中，特征向量通过归一化(layernorm)层进行归一化处理，通过进行多头自注意力学习并进行移除(dropout)处理，为避免梯度消失transformer采用同特征提取网络的结构。编码器的实现具体可参照transformer神经网络中编码块的现有结构，此处不再赘述。由此，通过将第一向量输入transformer神经网络的编码块进行编码处理，生成第二向量。
57.步骤404，对第二向量进行层归一化处理，提取分类向量。
58.步骤405，基于分类向量进行分类，生成肺癌分类结果。
59.本实施例中，对于编码器的输出，通过归一化(layernorm)层进行归一化处理，并提取负责类别学习的分类向量，进而，分类向量通过分类层全连接进行分类，得到预测的肺癌类别。其中，分类层可以采用mlp head(一种用于分类的层结构)层，在全连接处理中同样使用特征提取网络结构，以避免梯度消失。
60.下面对模型训练过程进行说明。
61.在本公开的一个实施例中，获取样本传感器阵列信号，样本传感器阵列信号标注有肺癌类别，进而，将样本传感器阵列信号输入多个特征提取网络分支进行特征提取，生成多个样本特征向量，将多个样本特征向量进行特征融合，生成样本传感器阵列信号的基特征向量，根据样本传感器阵列信号的基特征向量和标注的肺癌类别，训练分类模型和分类向量。
62.其中，在训练过程中，分类模型部分执行步骤如下：将样本基特征向量输入目标卷积层进行卷积，得到卷积后的样本基特征向量，在卷积后的样本基特征向量中插入预设向量，生成第三向量，通过编码器对第三向量进行编码，生成第四向量，进而，对第四向量进行层归一化处理，基于处理结果提取预设向量，基于预设向量和标注的肺癌类别，训练分类模型和分类向量。
63.本公开实施例中，针对肺癌分类场景中的多元时间序列信号，通过对transformer神经网络进行改进以实现在肺癌分类场景中的应用，基于多头自注意力机制的transformer神经网络对特征进行有区别度的关注性学习，学习基特征向量中有助于分类
的部分特征，忽略对分类不利或干扰分类的冗余特征，增强多元时间序列特征的提取能力，从而实现下游的肺癌分类任务，以提升模型的泛化能力，进一步提高了肺癌分类准确度。
64.图5为本公开实施例所提供的一种肺癌分类装置的结构示意图，如图5所示，该肺癌分类装置包括：获取模块51，提取模块52，融合模块53，分类模块54。
65.其中，获取模块51，用于获取采样气体的传感器阵列信号；
66.提取模块52，用于将传感器阵列信号分别输入多个特征提取网络分支进行特征提取，生成与多个特征提取网络分支分别对应的多个特征向量，其中，多个特征提取网络分支具有不同的卷积核尺度，且每个特征提取网络分支中均为一维卷积核；
67.融合模块53，用于将多个特征向量进行特征融合，生成传感器阵列信号的基特征向量；
68.分类模块54，用于将基特征向量输入分类模型，生成与传感器阵列信号对应的肺癌分类结果。
69.在本公开的一个实施例中，分类模型基于transformer神经网络实现且分类模型不包括位置编码层，分类模块54具体用于：将基特征向量输入目标卷积层进行卷积，得到卷积后的基特征向量，其中，目标卷积层为1
×
1的卷积层；在卷积后的基特征向量中插入预训练的分类向量，生成第一向量；通过编码器对第一向量进行编码，生成第二向量；对第二向量进行层归一化处理，提取分类向量；基于分类向量进行分类，生成肺癌分类结果。
70.在本公开的一个实施例中，该装置还包括：训练模块，用于获取样本传感器阵列信号，其中，样本传感器阵列信号标注有肺癌类别；将样本传感器阵列信号输入多个特征提取网络分支进行特征提取，生成多个样本特征向量；将多个样本特征向量进行特征融合，生成样本传感器阵列信号的基特征向量；根据样本传感器阵列信号的基特征向量和标注的肺癌类别，训练分类模型和分类向量。
71.在本公开的一个实施例中，传感器阵列信号包括多个子传感器信号，提取模块52具体用于：将每个子传感器信号分别输入多个特征提取网络分支进行特征提取，生成每个子传感器信号对应的多个特征向量；
72.融合模块53具体用于：将每个子传感器信号对应的多个特征向量进行特征融合，生成每个子传感器信号对应的融合特征；根据每个子传感器信号对应的融合特征，生成传感器阵列信号的基特征向量。
73.在本公开的一个实施例中，多个特征提取网络分支共享头部网络的权重参数，头部网络由卷积层、归一化层、激活层和池化层组成。
74.在本公开的一个实施例中，特征提取网络分支的数量为六个，特征提取网络分支的卷积核尺度分别为1
×
3、1
×
5、1
×
7、1
×
9、1
×
11、1
×
15。
75.本公开实施例所提供的肺癌分类装置可执行本公开实施例所提供的任意肺癌分类方法，具备执行方法相应的功能模块和有益效果。本公开装置实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
76.本公开实施例还提供的一种电子设备，电子设备包括一个或多个处理器和存储器。处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。存储器可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，
例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行程序指令，以实现上文的本公开的实施例的方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
77.在一个示例中，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构互连。此外，该输入装置还可以包括例如键盘、鼠标等等。该输出装置可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。除此之外，根据具体应用情况，电子设备还可以包括诸如总线、输入/输出接口等任何其他适当的组件。
78.除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本公开实施例所提供的任意方法。
79.计算机程序产品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操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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。
80.此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本公开实施例所提供的任意方法。
81.计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
82.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
83.以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一
致的最宽的范围。

技术特征：
1.一种肺癌分类方法，其特征在于，包括：获取采样气体的传感器阵列信号；将所述传感器阵列信号分别输入多个特征提取网络分支进行特征提取，生成与所述多个特征提取网络分支分别对应的多个特征向量，其中，所述多个特征提取网络分支具有不同的卷积核尺度，且每个特征提取网络分支中均为一维卷积核；将所述多个特征向量进行特征融合，生成所述传感器阵列信号的基特征向量；将所述基特征向量输入分类模型，生成与所述传感器阵列信号对应的肺癌分类结果。2.如权利要求1所述的方法，其特征在于，所述分类模型基于transformer神经网络实现且所述分类模型不包括位置编码层，所述将所述基特征向量输入分类模型，生成与所述传感器阵列信号对应的肺癌分类结果，包括：将所述基特征向量输入目标卷积层进行卷积，得到卷积后的基特征向量，其中，所述目标卷积层为1
×
1的卷积层；在所述卷积后的基特征向量中插入预训练的分类向量，生成第一向量；通过编码器对所述第一向量进行编码，生成第二向量；对所述第二向量进行层归一化处理，提取所述分类向量；基于所述分类向量进行分类，生成所述肺癌分类结果。3.如权利要求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标注有肺癌类别；将所述样本传感器阵列信号输入多个特征提取网络分支进行特征提取，生成多个样本特征向量；将所述多个样本特征向量进行特征融合，生成所述样本传感器阵列信号的基特征向量；根据所述样本传感器阵列信号的基特征向量和标注的所述肺癌类别，训练所述分类模型和所述分类向量。4.如权利要求1所述的方法，其特征在于，所述传感器阵列信号包括多个子传感器信号，所述将所述传感器阵列信号分别输入多个特征提取网络分支进行特征提取，生成与所述多个特征提取网络分支分别对应的多个特征向量，包括：将每个所述子传感器信号分别输入多个特征提取网络分支进行特征提取，生成每个所述子传感器信号对应的多个特征向量；所述将所述多个特征向量进行特征融合，生成所述传感器阵列信号的基特征向量，包括：将每个所述子传感器信号对应的多个特征向量进行特征融合，生成每个所述子传感器信号对应的融合特征；根据每个所述子传感器信号对应的融合特征，生成所述传感器阵列信号的基特征向量。5.如权利要求1所述的方法，其特征在于，所述多个特征提取网络分支共享头部网络的权重参数，所述头部网络由卷积层、归一化层、激活层和池化层组成。6.如权利要求1所述的方法，其特征在于，所述特征提取网络分支的数量为六个，所述特征提取网络分支的卷积核尺度分别为1
×
3、1
×
5、1
×
7、1
×
9、1
×
11、1
×
15。
7.一种肺癌分类装置，其特征在于，包括：获取模块，用于获取采样气体的传感器阵列信号；提取模块，用于将所述传感器阵列信号分别输入多个特征提取网络分支进行特征提取，生成与所述多个特征提取网络分支分别对应的多个特征向量，其中，所述多个特征提取网络分支具有不同的卷积核尺度，且每个特征提取网络分支中均为一维卷积核；融合模块，用于将所述多个特征向量进行特征融合，生成所述传感器阵列信号的基特征向量；分类模块，用于将所述基特征向量输入分类模型，生成与所述传感器阵列信号对应的肺癌分类结果。8.如权利要求7所述的肺癌分类装置，其特征在于，所述分类模型基于transformer神经网络实现且所述分类模型不包括位置编码层，所述分类模块具体用于：将所述基特征向量输入目标卷积层进行卷积，得到卷积后的基特征向量，其中，所述目标卷积层为1
×
1的卷积层；在所述卷积后的基特征向量中插入预训练的分类向量，生成第一向量；通过编码器对所述第一向量进行编码，生成第二向量；对所述第二向量进行层归一化处理，提取所述分类向量；基于所述分类向量进行分类，生成所述肺癌分类结果。9.一种电子设备，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-6中任一所述的肺癌分类方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-6中任一所述的肺癌分类方法。

技术总结
本公开涉及一种肺癌分类方法、装置、设备及存储介质，其中，方法包括：获取采样气体的传感器阵列信号；将所述传感器阵列信号分别输入多个特征提取网络分支进行特征提取，生成与所述多个特征提取网络分支分别对应的多个特征向量，其中，所述多个特征提取网络分支具有不同的卷积核尺度，且每个特征提取网络分支中均为一维卷积核；将所述多个特征向量进行特征融合，生成所述传感器阵列信号的基特征向量；将所述基特征向量输入分类模型，生成与所述传感器阵列信号对应的肺癌分类结果。根据本公开的技术方案，能够提高肺癌分类的准确性。能够提高肺癌分类的准确性。能够提高肺癌分类的准确性。


技术研发人员：李春阳 吴斌 刘立波 董骧
受保护的技术使用者：北京纳通医用机器人科技有限公司
技术研发日：2023.04.23
技术公布日：2023/8/22