本发明涉及细胞形态学检测领域，具体说是数字化外周血或骨髓涂片形态学考核系统。
背景技术：
1、外周血涂片或骨髓涂片形态学检查是许多临床疾病，尤其是血液系统疾病筛查、诊断和鉴别诊断、病因分析、疗效评估和复发监测传统的基础检测项目，是血液疾病诊疗领域推崇的形态学、免疫学、细胞遗传学和分子生物学综合诊断的首要检查手段，对于部分疾病甚至是唯一手段，外周血涂片或骨髓涂片形态学检查专业人员的技术培训和考核是临床难点痛点，高度依赖外周血涂片或骨髓涂片案例积累及高水平带教老师的现场指导。
2、现有技术会将外周血涂片或骨髓涂片通过显微镜下摄影的方式转为电子图片，用于人员的培训及考核，显微镜下摄影，操作复杂难以推广，且细胞形态学识别依赖主观判断，缺乏统一的标准。
技术实现思路
1、本发明为了解决相关技术中的问题，提供了数字化外周血或骨髓涂片形态学考核系统，该装置解决了操作复杂难以推广，细胞形态学识别缺乏统一标准的问题。
2、为解决上述问题，提供以下技术方案：
3、数字化外周血或骨髓涂片形态学考核系统，包括以下单元：
4、采集单元：将典型病例的血细胞涂片、骨髓涂片和血常规报告扫描到采集单元中；
5、涂片转化单元：将采集单元得到的血细胞涂片和骨髓涂片转变为100倍电子图片；
6、涂片处理单元：对涂片转化单元转化成的电子图片进行处理识别，并录入红细胞的形态学信息，建立起数据库；
7、考核单元：考核单元含有登录考核系统、图片展示功能、框选阅片区域功能和评分功能。
8、上述方案先将典型病例扫描到采集单元中，涂片转化单元转化为电子图片，再通过涂片处理单元处理识别，建立数据库，最终考核单元根据细胞分类、形态学特征选择、诊断意见三个输出结果进行打分，该系统通过将考核者的判断结果直接与数据库内的细胞数据对比相似度给出分值，从而解决了操作复杂难以推广，细胞形态学识别缺乏统一标准的问题。
9、所述涂片转化单元包括以下步骤：使用高倍镜对采集单元得到的血细胞涂片和骨髓涂片进行全片扫描，得到完整的全片。
10、所述涂片处理单元对高倍镜扫描得到的全片进行细胞提取，对细胞进行分类，分类为白细胞或红细胞，并对分类的细胞种类贴标签，录入数据库内。
11、通过上述方案考核者在给高倍镜视野合成数字化全片中框选阅片区域，阅片区域内的细胞数量不少于一百个，确保考核者考核时框选的细胞不同。
12、所述细胞分类考核包括以下步骤：展示高倍镜视野合成数字化全片，数字化全片可分为若干阅片区域，每个阅片区域内至少含有100个细胞，考核者框选数字化全片中某个阅片区域，选中区域放大预览；考核者对选中阅片区域内的白细胞与红细胞进行分类、标记；将考核者对细胞分类判定的结果与数据库内的细胞种类进行一一比对，给出定量分值。
13、所述形态学特征选择考核包括以下步骤：阅片区域内红细胞单独列出，供考核者观察；考核者至少选择5项主要形态学特征进行判断，将考核者判断的结果与涂片处理单元内细胞形态学的选项进行对比，给出分值。
14、上述方案中细胞分类考核通过考核者对阅片区域内的细胞分类的结果与数据库内对细胞种类进行对比，给出分值，形态学特征选择考核将考核者对红细胞形态学的判断与数据库内形态学的选项进行对比，给出分值。
15、诊断意见考核包括以下步骤：考核者对整片案例进行判断，并给出下一步附加检验或临床建议，将考核者的诊断意见与真实的诊断结果进行比较给出分值。
16、所述诊断意见考核给出的分值，是通过bert预训练语言模型将考核者的诊断意见转换为向量表示后，将诊断结果转换为数值标签，利用向量模型word2vec，将转换后的数值标签转换为词嵌入，以便于后续模型的处理，在选择了cnn卷积神经网络作为分类器的框架后，构建了模型的输入层、隐藏层和输出层，并配置了相应的激活函数、损失函数和优化器，通过使用训练集进行训练，并通过反向传播算法不断调整模型参数以最小化损失函数，得到了训练好的深度学习模型，再使用测试集对模型进行评估，计算模型的准确率，并根据评估结果对模型进行调优，包括调整模型架构和超参数等，最终得到的模型，用于对病历文本进行诊断预测，将测试集与真实的诊断结果进行比较，通过分类模型进行评估诊断结果的分值。
17、上述方案通过bert预训练语言模型将考核者的判断结果转化为数值标签，与实际的病历诊断结果进行对比，给出分值。
18、最终考核结果根据细胞分类考核、形态学特征选择考核和诊断意见考核按照不同占比得出最终考核成绩。
19、上述方案通过进行三类考核按照不同占比得出最终考核成绩，提高了该考核系统的权威性。
20、采用以上方案，具体有以下优点：
21、由于本发明的数字化外周血或骨髓涂片形态学考核系统，它具有外周血电子涂片全真拟合功能和骨髓电子涂片全真拟合功能，可以对大规模涂片标本进行电子化，细胞分类、形态学特征选择和诊断意见相结合的形态学考核流程，操作简单易推广，将细胞形态学统一标准。
1.数字化外周血或骨髓涂片形态学考核系统，其特征在于，包括以下单元：
2.如权利要求1所述的数字化外周血或骨髓涂片形态学考核系统，其特征在于，所述涂片转化单元包括以下步骤：使用高倍镜对采集单元得到的血细胞涂片和骨髓涂片进行全片扫描，得到完整的全片。
3.如权利要求2所述的数字化外周血或骨髓涂片形态学考核系统，其特征在于，所述涂片处理单元对高倍镜扫描得到的全片进行细胞提取，对细胞进行分类，分类为白细胞或红细胞，并对分类的细胞种类贴标签，录入数据库内。
4.如权利要求1所述的数字化外周血或骨髓涂片形态学考核系统，其特征在于，所述考核单元通过考核者登录考核系统，进行三类考核得出最终考核成绩，三类考核分别为细胞分类考核、形态学特征选择考核、诊断意见考核。
5.如权利要求3所述的数字化外周血或骨髓涂片形态学考核系统，其特征在于，所述细胞分类考核包括以下步骤：
6.如权利要求3所述的数字化外周血或骨髓涂片形态学考核系统，其特征在于，所述形态学特征选择考核包括以下步骤：
7.如权利要求3所述的数字化外周血或骨髓涂片形态学考核系统，其特征在于，所述诊断意见考核包括以下步骤：
8.如权利要求7所述的数字化外周血或骨髓涂片形态学考核系统，其特征在于，所述诊断意见考核给出的分值，是通过bert预训练语言模型将考核者的诊断意见转换为向量表示后，将诊断结果转换为数值标签，利用向量模型word2vec，将转换后的数值标签转换为词嵌入，便于后续模型的处理，在选择了cnn卷积神经网络作为分类器的框架后，构建了模型的输入层、隐藏层和输出层，并配置了相应的激活函数、损失函数和优化器，通过使用训练集进行训练，并通过反向传播算法不断调整模型参数以最小化损失函数，得到了训练好的深度学习模型，再使用测试集对模型进行评估，计算模型的准确率，并根据评估结果对模型进行调优，包括调整模型架构和超参数等，最终得到的模型，用于对病历文本进行诊断预测，将测试集与真实的诊断结果进行比较，通过分类模型进行评估诊断结果的分值。
9.如权利要求3所述的数字化外周血或骨髓涂片形态学考核系统，其特征在于，所述最终考核结果根据细胞分类考核、形态学特征选择考核和诊断意见考核按照不同占比得出最终考核成绩。