买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京透彻未来科技有限公司申请的专利基于弱监督学习的临床应用级病理大模型构建方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120636655B 。

龙图腾网通过国家知识产权局官网在2025-12-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510735468.3，技术领域涉及：G16H10/20；该发明授权基于弱监督学习的临床应用级病理大模型构建方法及系统是由王书浩;王伟;杨墨轩设计研发完成，并于2025-06-04向国家知识产权局提交的专利申请。

本基于弱监督学习的临床应用级病理大模型构建方法及系统在说明书摘要公布了：本发明提供了基于弱监督学习的临床应用级病理大模型构建方法及系统包括：分别对每一历史临床病理图像进行弱监督训练，根据训练结果调整大模型的上游学习参数并构建大模型上游任务，分别对每一弱监督训练结果进行分割解码，确定分割结果调整大模型的下游学习参数并构建大模型下游任务，获取上游精细特征和下游精细特征，构建大模型的上下游协同任务，结合大模型上游任务和所述大模型下游任务生成病理大模型，将当前临床病理图像输入到所述病理大模型中进行病理信息识别，得到对应患者的若干个病理识别标签，生成患者的病理报告，降低了处理高分辨率图像时的计算复杂度，优化了大模型中不同任务之间的协同机制，可以广泛应用于病理识别技术中。

本发明授权基于弱监督学习的临床应用级病理大模型构建方法及系统在权利要求书中公布了：1.基于弱监督学习的临床应用级病理大模型构建方法，其特征在于，包括： 步骤1：分别对每一历史临床病理图像进行弱监督训练，根据训练结果调整大模型的上游学习参数，并构建大模型上游任务； 步骤2：分别对每一弱监督训练结果进行分割解码，确定分割结果调整所述大模型的下游学习参数，并构建大模型下游任务； 步骤3：获取上游精细特征和下游精细特征，构建所述大模型的上下游协同任务，结合所述大模型上游任务和所述大模型下游任务生成病理大模型； 步骤4：将当前临床病理图像输入到所述病理大模型中进行病理信息识别，得到对应患者的若干个病理识别标签，生成所述患者的病理报告； 所述步骤1，包括： 步骤11：分别对每一所述历史临床病理图像进行数字化处理，得到每一所述历史临床病理图像的WSI特征，确定每一所述历史临床病理图像对应的若干个基本病理信息，分别获取每一所述历史临床病理图像对应的历史诊断信息，确定每一所述历史临床病理图像对应的标准病理标签； 步骤12：分别对每一所述历史临床病理图像进行弱监督训练，得到每一所述历史临床病理图像对应的不准确监督结果、部分监督结果和间接监督结果，利用监督结果对所述基本病理信息进行标签匹配，得到对应所述历史临床病理图像的若干个监督病理标签； 步骤13：将每一所述历史临床病理图像对应的所述监督病理标签与相应的所述标准病理标签进行对比，结合每一所述标准病理标签对应的标签领域确定所述弱监督训练在不同标签领域对应的识别敏感度和识别误差值； 步骤14：将识别敏感度低于标准敏感度的误差标签领域进行误差调整，结合识别敏感度不低于标准敏感度有效误差标签领域对应的有效识别敏感度，生成所述大模型的上游学习参数，根据所述上游学习参数调整所述弱监督训练的训练参数，生成大模型上游任务； 所述步骤2，包括： 步骤21：利用泛癌识别解码器分别对每一所述历史临床病理图像对应的弱监督训练结果进行初步分割解码，确定每一所述历史临床病理图像对应的特定器官，根据所述特定器官为每一所述历史临床病理图像分配相应的肿瘤分型解码器和病变分析解码器； 步骤22：利用所述肿瘤分型解码器和病变分析解码器对对应的初步分割解码结果进行器官病变解码，构建每一所述历史临床病理图像对应的语义分割数据集，根据所述大模型上游任务的任务属性在所述语义分割数据集中生成相应属性的病变识别特征； 步骤23：分别对每一所述病变识别特征进行增强处理，确定每一所述历史临床病理图像的区域划分图像帧，确定每一所述区域划分图像帧对应的帧病理信息，结合对应历史病历分别对每一所述帧病理信息进行吻合度评价； 步骤24：根据吻合度评价值调整所述大模型的下游学习参数，利用所述下游学习参数调整每一解码器对应的解码精确度，确定每一所述解码器对应的解码任务生成大模型下游任务。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京透彻未来科技有限公司，其通讯地址为：100000 北京市海淀区莲花池东路39号6层608；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。