一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统

摘要

本发明公开了一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统，包括云端服务器初始化全局辅助诊断模型，本地TCT阅片仪初始化本地辅助诊断模型，接受云端服务器分发的全局模型，将之存为中间模型；本地TCT阅片仪对所属医院的图像进行判别并将判决结果交由医生复核，再将医生复核结果进行保存；未触发联邦学习机制时，本地的私有数据对辅助诊断模型和中间模型再训练；满足联邦学习条件后，将本地的中间模型的梯度参数上传云端服务器，云端服务器聚合梯度数据，更新全局辅助诊断模型后，再发到各TCT阅片仪以更新中间模型。本发明的有益效果为在保证不同医疗机构的数据不外传的前提下，进行大规模训练且使得各医院的AI辅助诊断结果贴合实际情况。

权利要求

1.一种基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：包括，S1：首先云端服务器初始化全局辅助诊断模型，本地TCT阅片仪初始化本地辅助诊断模型，并接受云端服务器分发的全局辅助诊断模型，将之存为中间模型；

S2：本地辅助诊断模型对TCT扫描图像进行判别，并将判别结果交由医生复核，再将医生复核完成的结果进行保存；

S3：在未触发联邦学习机制时，利用本地医院的私有TCT扫描图像和复核后的结果，对本地辅助诊断模型和中间模型进行再训练；

S4：当满足联邦学习条件后，将各个存在本地的中间模型的梯度参数上传至云端服务器，云端服务器则进行聚合参与联邦学习本地TCT阅片仪的梯度数据，并更新全局辅助诊断模型；

S5：云端服务器将更新后的全局辅助诊断模型分发至本地TCT阅片仪，本地TCT阅片仪对收到的梯度数据进行解密，从而更新各自的中间模型；

所述步骤S4中，联邦学习的机制将执行T轮，在每一轮中，选择k个本地TCT阅片仪参与，其中，k

所述步骤S3中，本地辅助诊断模型与中间模型构成知识蒸馏模型，利用本地医院的私有TCT扫描图像和复核后的结果，对中间模型和本地辅助诊断模型进行训练；即知识蒸馏模型损失函数为Loss＝μLlocal+(1‑μ)Lmeme，            公式1其中Llocal为本地辅助诊断模型的损失，Lmeme为中间模型的损失；

Llocal＝αLEClocal+(1‑α)DW(pm||pl)       公式2其中LEClocal为本地辅助诊断模型输出的结果与真实标签的交叉熵，DW为本地辅助诊断模型和中间模型预测值的Wasserstein距离；

Lmeme＝βLECmeme+(1‑β)DW(pl||pm)         公式3其中α和β分别为从控制数据和其他模型学习知识比例的超参数；pm为中间模型的输出结果，pl为本地辅助诊断模型的输出结果；

所述步骤S4中，云端服务器聚合各参与联邦学习本地TCT阅片仪的梯度数据；聚合梯度的方法为 其中k表示被挑选参与联邦学习的第k台本地TCT阅片仪，fk(w)则为第k台本地TCT阅片仪上传的梯度。

2.如权利要求1所述的基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：所述步骤S1中，有N台本地TCT阅片仪和1台云端服务器，参与的各方采用主‑从的架构。

3.如权利要求2所述的基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：所述步骤S2中，本地辅助诊断模型给出被检出细胞的所属类别c、所属该类别的置信度t、以及所在位置和大小{x,y,w,h}，其中(x,y)为被检出细胞外切矩形左上角坐标，(w,h)为该矩形的长和宽。

4.如权利要求3所述的基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：所述步骤S3中，中间模型与本地辅助诊断模型分别扮演知识蒸馏算法中老师与学生的角色。

5.如权利要求4所述的基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：所述步骤S3中，将中间模型的输出结果作为本地辅助诊断模型的目标，训练本地辅助诊断模型，使得本地辅助诊断模型的结果与中间模型的输出结果相接近。

6.如权利要求5所述的基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：所述步骤S3、步骤S4和步骤S5将持续迭代进行，直到损失函数收敛或达到迭代的终止条件。

7.一种基于联邦学习的在线宫颈细胞TCT切片检测系统，其特征在于：包括如权利要求

1～6中任一项所述的基于联邦学习的在线宫颈细胞TCT切片检测方法；以及，一组云端服务器；

两组即以上的本地TCT阅片仪；

网络数据传输设备；

数据存储设备；

多组程序，被存储在存储器中，以完成基于联邦学习和知识蒸馏的协同训练。

8.如权利要求7所述的基于联邦学习的在线宫颈细胞TCT切片检测系统，其特征在于：所述多组程序包括用于执行以下过程，云端服务器分发全局辅助诊断模型，并在本地存为中间模型；本地辅助诊断模型对所得TCT扫描图像进行判别，并展示本地辅助诊断模型的判别结果和存储医生的复核结果；判断是否满足联邦学习的条件，若不满足，利用私有TCT扫描图像与存储医生的复核结果对中间模型和本地辅助诊断模型进行再训练；若满足条件，则将再训练中间模型所得的梯度数据通过加密传输至云端服务器；云端服务器聚合参与联邦学习的本地TCT阅片仪的梯度数据，并更新全局辅助诊断模型；本地TCT阅片仪接收云端服务器发送的加密梯度数据，并更新本地辅助诊断模型。

说明书

一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统

技术领域

[0001] 本发明涉及医疗仪器领域，联邦学习技术领域，特别是一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统。

背景技术

[0002] 随着国家发展水平的提高，医疗服务需求持续增加。TCT检测筛查的人群数量众多，因此促进AI辅助诊断是促成中国病理诊断现状改变和水平提升的重要方法，是解决病理诊断诸多痛点的突破口。

[0003] 且在医院实际应用中，TCT扫描图像的背景复杂，需要检测的目标种类较多，且各目标需满足的特征复杂，因此AI检测模型也很复杂；如果直接在医院本地部署这类模型，本地TCT阅片仪将需要很大算力以满足模型运行要求。同时，在不同的地域，不同的医院中，TCT检测筛查的人群在阳性率，感染类型和最高风险年龄层等方面存在着较大的差异，在各个医院部署的AI辅助诊断模型需要针对本院的实际情况做相应的调整。

[0004] 联邦学习这一技术能有效实现多个医疗机构在满足隐私保护、数据安全的要求下，进行医疗数据的使用和AI模型的训练。

发明内容

[0005] 本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

[0006] 鉴于上述或现有技术中存在的问题，提出了本发明。

[0007] 因此，本发明的目的是提供一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统，其在保证各个医院医疗数据安全和隐私安全的同时，实现通用AI辅助诊断模型训练和更新迭代，从而实现通用辅助诊断的功能，减少医生的工作量。

[0008] 为解决上述技术问题，本发明提供如下技术方案：一种基于联邦学习的在线宫颈细胞TCT切片检测方法，其包括S1：首先云端服务器初始化全局辅助诊断模型，本地TCT阅片仪初始化本地辅助诊断模型，并接受云端服务器分发的全局辅助诊断模型，将之存为中间模型；

[0009] S2：本地辅助诊断模型对TCT扫描图像进行判别，并将判别结果交由医生复核，再将医生复核完成的结果进行保存；

[0010] S3：在未触发联邦学习机制时，利用本地医院的私有TCT扫描图像和复核后的结果，对本地辅助诊断模型和中间模型进行再训练；

[0011] S4：当满足联邦学习条件后，将各个存在本地的中间模型的梯度参数上传至云端服务器，云端服务器则进行聚合参与联邦学习本地TCT阅片仪的梯度数据，并更新全局辅助诊断模型；

[0012] S5：云端服务器将更新后的全局辅助诊断模型分发至本地TCT阅片仪，本地TCT阅片仪对收到的梯度数据进行解密，从而更新各自的中间模型；

[0013] 步骤S4中，联邦学习的机制将执行T轮，在每一轮中，选择k个本地TCT阅片仪参与，其中，k＜N，云端服务器在聚合各方梯度数据后，通过并行梯度下降算法、联邦平均算法、FedProx更新算法或上述方法的组合的方式对全局辅助诊断模型进行更新；

[0014] 步骤S3中，本地辅助诊断模型与中间模型构成知识蒸馏模型，利用图像以及判别结果，对中间模型和本地辅助诊断模型进行训练；即知识蒸馏模型损失函数为[0015] Loss＝μLlocal+(1‑μ)Lmeme，  公式1

[0016] 其中μ为超参数，Llocal为本地模型的损失，Lmeme为中间模型的损失，Llocal包含两个部分即：

[0017] Llocal＝αLEClocal+(1‑α)DW(pm||pl)  公式2

[0018] 其中LEClocal为本地模型输出的结果与真实标签的交叉熵，pm为中间模型的输出结果，pl为本地模型的输出结果，DW为本地模型和中间模型预测值的Wasserstein距离即：

[0019] Lmeme＝βLECmeme+(1‑β)DW(pl||pm)  公式3

[0020] 其中α和β为从控制数据或其他模型学习知识比例的超参数；pm为中间模型的输出结果，pl为本地辅助诊断模型的输出结果，LECmeme为中间模型输出的结果与真实标签的交叉熵；

[0021] 步骤S4中，云端服务器聚合各用户的梯度；聚合梯度的方法为

[0022] 其中k表示被挑选参与联邦学习的第k台本地TCT阅片仪，fk(w)则为第k台本地TCT阅片仪上传的梯度。

[0023] 作为本发明一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S1中，有N台本地TCT阅片仪和1台云端服务器，参与的各方采用主‑从的架构。

[0024] 作为本发明一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S2中，本地辅助诊断模型给出被检出细胞的所属类别c、所著该类别的置信度t、以及所在位置和大小{x,y,w,h}，其中(x,y)为被检出细胞外切矩形左上角坐标，(w,h)为该矩形的长和宽。

[0025] 作为本发明一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S3中，中间模型与本地辅助诊断模型分别扮演知识蒸馏算法中老师与学生的角色。

[0026] 作为本发明一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S3中，在中间模型的输出结果作为本地辅助诊断模型的目标，训练本地辅助诊断模型，使得本地辅助诊断模型的结果与中间模型的输出结果相接近。

[0027] 作为本发明一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S3、步骤S4和步骤S5将持续迭代进行，直到损失函数收敛或达到迭代的终止条件。

[0028] 作为本发明一种基于联邦学习的在线宫颈细胞TCT切片检测系统的一种优选方案，其中：一组云端服务器；两组即以上的本地TCT阅片仪；网络数据传输设备；数据存储设备；多组程序，被存储在的存储器中，以完成基于联邦学习和知识蒸馏的协同训练。

[0029] 作为本发明一种基于联邦学习的在线宫颈细胞TCT切片检测系统的一种优选方案，其中：多组程序包括用于执行以下过程，云端服务器分发全局辅助诊断模型，并在本地存为中间模型；本地辅助诊断模型对所得TCT扫描图像进行判别，并展示本地辅助诊断模型的判别结果和存储医生的复核结果；判断是否满足联邦学习的条件，若不满足，利用私有TCT扫描图像与存储医生的复核结果对中间模型和本地辅助诊断模型进行再训练；若满足条件，则将再训练中间模型所得的梯度数据通过加密传输至云端服务器；云端服务器聚合参与联邦学习的本地TCT阅片仪的梯度数据，并更新全局辅助诊断模型；本地TCT阅片仪接收云端服务器发送的加密梯度数据，并更新本地辅助诊断模型。

[0030] 本发明的有益效果：本发明通过在保证不同医疗机构的数据不外传的前提下，进行大规模训练，且使得各医院的AI辅助诊断结果贴合各自实际情况。

附图说明

[0031] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它的附图。其中：

[0032] 图1为一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统的总体流程示意图。

[0033] 图2为一种基于联邦学习的在线宫颈细胞TCT切片检测方法的TCT阅片软件辅助诊断的流程示意图。

[0034] 图3为一种基于联邦学习的在线宫颈细胞TCT切片检测方法的联邦学习阶段的系统架构示意图。

[0035] 图4为一种基于联邦学习的在线宫颈细胞TCT切片检测方法的知识蒸馏阶段模型相互优化的流程示意图。

[0036] 图5为一种基于联邦学习的在线宫颈细胞TCT切片检测系统的TCT检测示意图具体实施方式

[0037] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

[0038] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

[0039] 其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

[0040] 实施例1

[0041] 参照图1～4，为本发明第一个实施例，该实施例提供了一种基于联邦学习的在线宫颈细胞TCT切片检测方法，其包括：

[0042] S1：首先云端服务器初始化全局辅助诊断模型，本地TCT阅片仪初始化本地辅助诊断模型，并接受云端服务器分发的全局辅助诊断模型，将之存为中间模型；

[0043] S2：本地辅助诊断模型对TCT扫描图像进行判别，并判别结果交由医生复核，再将医生复核完成的结果进行保存；

[0044] S3：在未触发联邦学习机制时，利用本地医院的私有TCT扫描图像和复核后的结果，对本地辅助诊断模型和中间模型进行再训练；

[0045] S4：当满足联邦学习条件后，将各个存在本地的中间模型的梯度参数上传至云端服务器，云端服务器则进行聚合参与联邦学习本地TCT阅片仪的梯度数据，并更新全局辅助诊断模型；

[0046] S5：云端服务器将更新后的全局辅助诊断模型分发至本地阅片仪，本地阅片仪对收到的梯度数据进行解密，从而更新各自的中间模型。

[0047] 应用过程，包括以下步骤：

[0048] 第一个步骤，数字病理扫描仪扫描TCT玻片，获得TCT扫描图像；存储程序在该扫描图像的分辨率上冗余存储，即同一TCT扫描图像将在不同分辨率下保存图像；且该图像以切片的形式存储，用以加速展示图像；

[0049] 第二个步骤，本地TCT阅片仪调用本地辅助诊断模型，对TCT图像进行判别；首先，预处理程序调取最高分辨率的图像层，预处理程序将图片质量检测，颜色归一等操作；经过预处理的图片将依次经过本地辅助诊断模型判别，并记录图像文件编号，检出目标所在坐标和种类以及置信度；

[0050] 第三个步骤：当一份TCT扫描图像判别完成后，展示程序依据置信度阈值筛选检出目标，将检出目标的坐标映射到整张图像上，并用非极大值抑制对检出目标的边界框整合，找到最佳的目标边界框，消除冗余的边界框；

[0051] 第四个步骤：医生在最高分辨率的TCT全屏扫描图像下，对辅助诊断系统的检测结果复核，辅助诊断系统将依据医生的复核结果修改判别结果；并存储该结果以对本地辅助诊断模型和中间模型进行再训练。

[0052] 本地辅助诊断模型与中间模型构成知识蒸馏模型，中间模型与全局诊断模型构成联邦学习模型。其具体步骤为：

[0053] 第一个步骤，数字病理扫描仪扫描TCT玻片，获得TCT扫描图像，并将图像切分为1024*1024的切片；

[0054] 第二个步骤，本地TCT阅片仪利用本地辅助诊断模型对TCT扫描图像进行判别，并判别结果交由医生复核，再将医生复核完成的结果进行保存；

[0055] 通过公式2和公式3，中间模型作为桥梁，既可以将全局辅助诊断模型的知识有效的让本地辅助诊断模型学习，也可以将本地辅助诊断模型学习的特征传递给全局辅助诊断模型，从而更新全局辅助诊断模型；同时，为了防止本地数据和全局辅助诊断模型训练所用的数据差异过大，使得pm和pl差异过大，从而使得知识蒸馏模型难以训练，本发明采用Wasserstein距离作为衡量两个pm和pl结果差距的方法，该方法可以在pm和pl二者分布没有重叠或者重叠较少时依然能反应二者之间的距离，从而使得模型能够更好训练；

[0056] 第四个步骤，本地辅助诊断模型以及中间模型的优化目标函数为Llocal和Lmeme，知识蒸馏模型的总体损失则为Llocal和Lmeme的加权平均，参数μ则控制着对中间模型，也即通用TCT检测模型的依赖程度，(1‑μ)则是本地辅助诊断模型适应所在医院的数据分布，医生的诊断风格等因素的程度；通过梯度下降的算法优化Loss,以得到稳定的中间模型和本地辅助诊断模型。

[0057] 第五个步骤，利用所述各医院所部署的本地TCT阅片仪以及其内的中间模型与云端全局辅助诊断模型一同构建联邦学习机制；具体包括以下步骤：

[0058] A.设定联邦学习机制执行M轮，每轮挑选K台本地TCT阅片仪；首先云端服务器初始化全局辅助诊断模型，本地TCT阅片仪初始化本地辅助诊断模型，以及下载全局辅助诊断模型，并将之存为中间模型；

[0059] B.利用所述图像数据以及判别结果，对上述知识蒸馏模型进行训练，并将中间模型训练的梯度上传至云端服务器；

[0060] D.待云端服务器更新模型后，向各本地TCT阅片仪分发新的模型，各本地TCT阅片仪将之存为新的中间模型；

[0061] TCT辅助诊断系统的模型迭代的更新方式为，第一步，当触发联邦学习时，选取K台条件适合的本地TCT阅片仪，所谓条件适合即为该本地TCT阅片仪目前空闲且网络状况良好，同时联邦学习的训练过程将持续M轮；

[0062] 第二步，在第M轮时，中间模型和本地辅助诊断模型分别读取医院经由本地TCT阅片仪辅助诊断完成的图像数据和检测目标结果，并得到各自检测结果；

[0063] 第三步，通过公式1，公式2和公式3，通过知识整理方法更新中间模型和本地辅助诊断模型；通过“教学相长”的模式，使得本地辅助诊断模型能同时适应具体医院实际数据分布以及医生个人风格，和学习TCT目标检测的通用特征；更新的中间模型将发送梯度到云端服务器中；

[0064] 第四步，在每一轮联邦学习训练中，都将执行步骤，如果将知识整理算法的每一个batch所产生的梯度变化都传输到云端，其传输数据量和整体训练耗时将非常巨大，因此，其传输的为一次训练过程在全部数据集上所更新的梯度；

[0065] 第五步，当云端服务器接收到所有K个本地TCT阅片仪传输的梯度，云端服务器按照 的方式聚合梯度；

[0066] 第六步，云端服务器分发聚合后梯度给所有K个本地TCT阅片仪；

[0067] 第七步，本轮所有K个本地TCT阅片仪利用聚合信息更新本地的中间模型。

[0068] 综上，对于不同地域，不同级别的医院，TCT检测筛查的人群在阳性率，感染类型和最高风险年龄层等方面存在着较大的差异，即检测数据非独立同分布，单一的模型难以满足各个医院的需求。本发明通过知识蒸馏的算法，使得本地辅助诊断模型能够在学习到通用的TCT细胞检测特征的同时，适应所在医院的特点，适应不同医生的个人风格，从而提高检测的准确性；同时，由于医疗数据很强的隐私性，不同医院的数据汇总从而训练云端服务器上的全局辅助诊断模型；本发明通过联邦学习的方式，传递各个中间模型的梯度参数而非原始数据，对全局辅助诊断模型进行更新优化从而避免了数据泄露等问题。

[0069] 实施例2

[0070] 参照图2，为本发明第二个实施例，该实施例提供了一种基于联邦学习的在线宫颈细胞TCT切片检测方法，其包括一种基于联邦学习的在线宫颈细胞TCT切片检测方法的应用过程。

[0071] 具体的，包括以下步骤：

[0072] 第一个步骤：数字病理扫描仪扫描TCT玻片，获得TCT扫描图像；存储程序在该扫描图像的分辨率上冗余存储，即同一TCT扫描图像将在不同分辨率下保存图像；且该图像以切片的形式存储，用以加速展示图像；

[0073] 第二个步骤：本地TCT阅片仪调用本地辅助诊断模型，对TCT图像进行判别；首先，预处理程序调取最高分辨率的图像层，预处理程序将图片质量检测，颜色归一等操作；经过预处理的图片将依次经过本地辅助诊断模型判别，并记录图像文件编号，检出目标所在坐标和种类以及置信度；

[0074] 第三个步骤：当一份TCT扫描图像判别完成后，展示程序依据置信度阈值筛选检出目标，将检出目标的坐标映射到整张图像上，并用非极大值抑制对检出目标的边界框整合，找到最佳的目标边界框，消除冗余的边界框；

[0075] 第四个步骤：医生在最高分辨率的TCT全屏扫描图像下，对辅助诊断系统的检测结果复核，辅助诊断系统将依据医生的复核结果修改判别结果；并存储该结果以对本地辅助诊断模型和中间模型进行再训练。

[0076] 综上，该方法在保证各个医院医疗数据安全和隐私安全的同时，实现通用AI辅助诊断模型训练和更新迭代，从而实现通用辅助诊断的功能，减少医生的工作量。

[0077] 实施例3

[0078] 参照图5，为本发明第二个实施例，该实施例提供了一种基于联邦学习的在线宫颈细胞TCT切片检测系统，其包括。

[0079] 具体的，一组云端服务器；两组即以上的本地TCT阅片仪；网络数据传输设备；数据存储设备；多组程序，被存储在的存储器中，以完成基于联邦学习和知识蒸馏的协同训练。

[0080] 进一步的，程序包括用于执行以下过程，云端服务器分发全局辅助诊断模型，并在本地存为中间模型；本地辅助诊断模型对所得TCT图像判别，并展示本地辅助诊断模型的判别结果和存储医生的复核结果；判断是否满足联邦学习的条件，若不满足，利用私有TCT扫描图像与存储医生的复核结果对中间模型和本地辅助诊断模型进行再训练；若满足条件，则中间模型再训练所得梯度数据等通过加密传输至云端服务器；接收云端服务器发送的加密梯度数据，并更新本地AI辅助诊断模型；云端服务器聚合参与联邦学习本地TCT阅片仪的梯度数据，并更新全局辅助诊断模型；本地TCT阅片仪接收云端服务器发送的加密梯度数据，并更新本地AI辅助诊断模型。

[0081] TCT检测和识别样例，a为待识别TCT扫描细胞图；经过本地TCT阅片仪，即b，得到检测结果；本地辅助诊断模型所展示的检测结果c，展示出了病变位置和病变类型；医生将可以在检测结果的基础上做增、删、修饰等操作，修改后的结果保存，对病变位置作出修改，删除本地辅助诊断模型所检测的假阳目标；待医生复核完成后，则将图像数据和复核后的检测数据保存。

[0082] 综上，在保证各个医院数据安全和隐私安全的同时；可以通过多轮联邦学习，更新云端服务器的全局辅助诊断模型和各医院本地TCT阅片仪中部署的中间模型，使得该模型为通用的，鲁棒性更强的TCT图片检测模型；并且，中间模型和本地辅助诊断模型通过知识蒸馏算法，使得本地辅助诊断模型能同时适应所在医院的数据分布以及医生的个人风格，和学习通用的诊断特征。

[0083] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。