婴幼儿血管瘤,以下简称血管瘤,是小儿临床最常见的软组织肿瘤之一。血管瘤1岁之前的发病率高达10%-20%,大部分可自动痊愈,但是部分严重的会威胁到婴儿的正常生长乃至生命。准确判别血管瘤风险等级并采取相应的治疗措施,这一工作目前主要是由具有较高专业素养的儿科医生手动完成。高专业素养儿科医生的缺失,部分家长对血管瘤风险的忽视,容易耽误血管瘤的及时治疗。使用人工智能的方法,对血管瘤的状态做出自动且准确的风险评级对于患者的及时治疗有着极其重要的意义。目前有不少学者将深度学习技术应用到血管瘤的诊断上,从图像的角度区分是否为血管瘤,但是他们没有结合电子病历数据,使用的血管瘤数据集很小,也没有评估疾病风险,临床实用性较低。针对以上问题,本文研究基于深度学习和多模态特征融合的血管瘤风险评级算法,并开发一款智能手机应用,将模型算法部署到手机上,便于监护人及基层医务人员对高风险血管瘤及早发现与治疗。主要研究内容和成果如下:构建了一个较大的血管瘤风险评级数据集。从儿童医院获取相应的患者数据,包括电子病历数据和图像数据。对于电子病历数据,提取患者的年龄,发病部位以及皮损大小关键信息,并将这些信息量化。对于图像数据,裁取血管瘤的区域图像,并调整为统一的分辨率。对于每份数据,都由两位专业的儿科医生进行风险等级标定,取他们的平均值作为此份数据的标签。由于原始的数据集不够大,且存在数据不平衡的问题,对原始数据集进行了数据平衡和数据增强操作,保证每一类数据拥有相同的足够的数量,最终数据集的数据达到3282份。提出了多模态特征融合的血管瘤风险评级算法。针对两种血管瘤数据,搭建两个神经网络模型提取数据特征,并将其融合。对于结构化后的电子病历数据,搭建一个深度神经网络模型,提取血管瘤患者在病历上的特征。对于处理后的图像数据,搭建一个卷积神经网络的模型,提取血管瘤患者在图像上的特征。两个模型单独进行训练达到最优值后将两个模型进行融合,联合两种不同的特征信息进行训练,融合模型的性能从单个模型准确率的88.9%和90.8%提升到了92.6%。开发了一款智能手机应用,将模型移植到手机上,实现方便快捷的血管瘤风险评级应用。考虑到手机计算条件有限,对于融合模型中的卷积神经网络部分,使用深度可分离卷积替换原来的普通卷积,减少参数量和计算量,提高模型运行速度。将模型量化优化后移植到智能手机,在开发的手机应用上调用模型算法对血管瘤的风险等级进行预测。结果表明在保证准确率不降低的条件下,能在移动端方便快捷的完成血管瘤风险评级的任务,对于在医疗资源水平有限的地区,辅助婴幼儿监护人及基层医务人员及早判别血管瘤风险级别并采取相应的治疗措施。