本申请涉及医学图像预测，特别涉及一种基于组织学图像的乳腺癌her2免疫组化表达预测方法。
背景技术：
1、乳腺癌是全球女性发病率最高的癌症，也是全球女性因癌症死亡的首要原因。乳腺癌的确诊主要依赖于病理学诊断。
2、影响乳腺癌生存率的因素很多，人表皮生长因子受体2(human epidermal growthfactor receptor 2,her2)是乳腺癌预后和靶向治疗预测疗效的重要生物标志物。早期临床试验的结果表明，只有her2阳性乳腺癌患者才受益于使用曲妥珠单抗的化疗方案。最近的临床试验结果表明，传统上经免疫组织化学(immunohistochemistry,ihc)和原位杂交(in situ hybridization,ish)联合判断为her2阴性，但her2 ihc表达水平比较低的患者亚群，对新型治疗化合物，特别是新型her2靶向抗体药物偶联物(antibody-drugconjugates,adc)具有显著的临床益处。
3、乳腺癌her2的表达主要通过半定量ihc检测，在实际病例中her2表达的判读结果仍存在不同程度的差异，不同观察者及不同标本类型中对her2判读结果的不一致主要体现在her2 2+与3+之间、her2 0与1+之间。导致部分“her2 low”病例被归为阴性，失去使用新型adc药物的机会。乳腺癌her2的准确判读将直接影响临床最佳治疗方案的选择。
4、使用ihc及ish作为主要检测方法存在着重大挑战，受多种因素影响。且比较消耗时间和组织，容易受检测前条件的影响。同时，不同单位及观察者之间或观察者内部存在着判读时的主观差异性，导致结果的不一致性较高，尤其对于her2低表达者。最后，ihc及ish均需要固定的额外费用及技术平台支持，有些基层医院尚无法开展此项检测技术。与ihc、ish和其他仅可在实验室操作的分子技术相比，he染色更便捷、快速、节约成本，且在每个病理实验室都是可行的。能否转向更客观、更精准且经济有效的定量评估，通过he切片(即常规组织染色切片)识别组织学图像去分析分子标志物状态，弥补仅由病理医生手动进行定性或半定量评估的不足，是亟需解决的问题。
5、人工智能(artificial intelligence,ai)人工智能是一门科学与技术，旨在使计算机系统能够模仿人类智能的各种特征，如学习、推理、问题解决、感知、语言理解和交流，以及适应新情境并自主地做出适当的行动，从而实现更高层次的自动化和智能化功能。在医学领域中，ai已经在影像学、病理学以及疾病诊疗方案的指导等多个方面广泛应用。目前在乳腺组织病理全切片的诊断领域，国内外也有一定量的研究，但是由于具有标注的医学图像量少、乳腺组织病理全切片本身存在的复杂性，针对乳腺组织病理全切片图像的预测算法往往不够精确。
技术实现思路
1、为了解决或者部分解决上述问题，本申请提供了一种基于组织学图像的乳腺癌her2免疫组化表达预测方法，能够根据病理全切片预测her2的类型，且预测结果较为准确。
2、第一方面，本申请提供了一种基于组织学图像的乳腺癌her2免疫组化表达预测方法，其特征在于，包括：
3、获取病理全切片，将所述病理全切片切块得到分块图像；
4、将所述分块图像输入预训练的her2分级模型，获取所述分块图像的特征向量、注意力分数，并根据所述特征向量、所述注意力分数预测所述病理全切片的第一预测概率，得到预测结果。
5、本申请提供了一种基于组织学图像的乳腺癌her2免疫组化表达预测方法，根据her2分级模型对病理全切片的her2的类型进行预测，根据得到的第一预测概率，可以得到her2类型的预测结果，由her2的类型能够确定是否进行相应的化疗方案，大幅提升数据处理的速度和准确率，有效解决临床病理工作中现存的乳腺癌her2免疫组化检测费用高、耗时久、人工判读上的主观性及低一致性等问题，大幅提升临床岗位工作效率，兼具实用性和先进性的优点。
1.一种基于组织学图像的乳腺癌her2免疫组化表达预测方法，其特征在于，包括：
2.根据权利要求1所述的基于组织学图像的乳腺癌her2免疫组化表达预测方法，其特征在于，所述获取所述分块图像的特征向量，包括：
3.根据权利要求1所述的基于组织学图像的乳腺癌her2免疫组化表达预测方法，其特征在于，所述根据所述特征向量、所述注意力分数预测所述病理全切片的第一预测概率，包括：
4.根据权利要求3所述的基于组织学图像的乳腺癌her2免疫组化表达预测方法，其特征在于，根据所述注意力分数对所述特征向量进行聚合，得到第一聚合特征，包括：
5.根据权利要求4所述的基于组织学图像的乳腺癌her2免疫组化表达预测方法，其特征在于，根据所述第二聚合特征进行预测，获取病理全切片的第一预测概率，得到预测结果，包括：
6.根据权利要求1所述的基于组织学图像的乳腺癌her2免疫组化表达预测方法，其特征在于，所述her2分级模型由主干网络训练而成，在所述将所述分块图像输入预训练的her2分级模型的步骤之前，还包括；
7.根据权利要求6所述的基于组织学图像的乳腺癌her2免疫组化表达预测方法，其特征在于，所述获取所述病理全切片的第二预测概率，包括：
8.根据权利要求7所述的基于组织学图像的乳腺癌her2免疫组化表达预测方法，其特征在于，所述通过所述第一预测概率、所述第二预测概率优化所述主干网络，包括：
9.根据权利要求1所述的基于组织学图像的乳腺癌her2免疫组化表达预测方法，所述获取具有图像类别标签的病理全切片，将所述病理全切片切块得到分块图像，包括：
10.根据权利要求1所述的基于组织学图像的乳腺癌her2免疫组化表达预测方法，还包括；
