本发明涉及医学类计算机跨学科，具体涉及一种用于综合诊断乳腺癌的机械手臂装置。
背景技术：
1、乳腺癌作为全球最常见的癌症之一，对于女性健康产生了严重的影响。根据世界卫生组织下属的国际癌症研究机构（iarc）的数据，2020年全球新发乳腺癌病例约为226万例，死亡人数则达到了大约68.5万。在中国，乳腺癌已上升为女性恶性肿瘤中的主要死因，据2021年的统计数据显示，每20秒就有一名女性被诊断出患有乳腺癌，而每40秒就有一名女性因此疾病去世。据目前的趋势，乳腺癌的发病率和死亡率预计将继续上升。据世界健康组织预测显示，2040年新诊断的乳腺癌病例将增加超过40%，预计的死亡病例则将增加超过50%。
2、然而，与持续上涨的乳腺癌发病趋势相比，中国的医疗资源则持续处于紧张状态。从2008年到2017年，中国的人均医疗劳动力与人口比例从每万人的1.47下降到1.42，远低于国家卫生健康委员会推荐的1.75。此外，地理差异也加剧了医疗资源的紧张局势，偏远地区难以全面覆盖优质医疗资源，常常缺乏有经验的医生。乳腺癌的早期诊断和个体化治疗对于提高生存率具有重要意义。以往乳腺癌的诊断主要依靠超声技术、x线技术、mri技术等影像学检查方式。虽然这些技术在近些年均有较大的发展，但仅限于提供诊断信息，无法代替人力诊断，无法缓解医疗资源的紧张，也使得诊断准确性过分受限于医生主观经验。
3、近年来，计算机辅助检测（cade）和诊断（cadx）作为医学领域的重要创新逐渐得到认可。尤其是深度学习提出以来，任务的训练直接从领域专家中提取信息直接转变为从训练样本中提取信息，使我们能够以最佳方式利用不断增加的数据量并减少人为偏见。2021年，yiqiu shen等人在nature communication上发表的深度学习ai模型在超声图像中识别乳腺癌方面达到了放射科医生水平的准确性，显示出人工智能在乳腺癌治疗诊断中的革命性的潜力。但仅依靠单模态的数据来源进行模型升级难以具有断崖式的诊断效力的提升，因此，开发一种乳腺智能门诊机器智能体进行自主多模态信息的采集与判断具有重要的研究意义与转化价值。
技术实现思路
1、为了解决现有技术存在的技术缺陷，本发明提供一种用于综合诊断乳腺癌的机械手臂装置。
2、本发明采用的技术解决方案是：用于综合诊断乳腺癌的机械手臂装置，包括以下模块：
3、机械手臂运动模块：训练机械手臂装置进行高精度的乳腺操作，实现机械手臂装置对乳腺的灵巧检测，使机械手臂的手指附着的电子皮肤传感器精准定位识别获取乳腺相关信息；
4、机械手臂感知模块：包括电子皮肤传感器，电子皮肤传感器捕捉乳腺组织的触感反馈，检测压应力和滑动摩擦力，将其转化为可分析的触觉数据；
5、乳腺癌诊断模块：将获得的触觉信息、乳腺钼靶图像结合，进行特征提取和融合，实现乳腺癌的精确诊断；
6、机械手臂交互模块：理解和处理患者的口头语音输入，将其转换为可处理的文本形式，并发声生成流畅的声音实时回复患者。
7、所述的机械手臂运动模块包括以下子模块：
8、信息转换与提取子模块：从乳腺的低维信息中计算机械手臂动作的高维手势信息；
9、奖励机制的塑造子模块：构建针对机械手臂装置灵巧度和准确度的奖励机制，通过奖励函数将使用高维手势信息来引导机械手臂装置的动作，能够根据机械手臂的操作灵巧度和准确度进行评价和指导；
10、强化学习应用子模块：训练机械手臂装置进行灵巧操作，通过强化学习使得机械手臂装置实现对乳腺的灵巧操作；
11、数据采集子模块：通过机械手臂的手指附着的电子皮肤传感器精准定位识别获取乳腺相关信息。
12、所述的信息转换与提取子模块包括包含多头自注意力结构的transformer模型，transformer模型方程 为
13、
14、其中、和分别是查询、键和值矩阵。是键的维度；通过输入低维乳腺信息如形状、位置的3d点云信息到transformer模型，输出transformer的最后一层提供21-dof关节位置，代表最佳的抓握手势高维手势信息。
15、所述的奖励机制的塑造子模块包括用获得的高维手势信息作为基础构建的奖励函数，所述的奖励函数为
16、；其中，和是权重因子，“distance_reward”为 函数根据机械手臂装置的关节与所需姿势的接近程度提供奖励，“alignment_reward” 为奖励机械手臂装置与估计的手势的对齐；通过评估机械手臂装置的动作，并根据高维手势信息对其进行评分，调整并验证奖励函数的超参数，确保奖励机制能够有效引导机械手臂的行为。
17、所述的评估机械手臂装置的动作，并根据高维手势信息对其进行评分包括，
18、动态系统建模：机械臂和机械手可以描述为一个非线性动态系统，其形式为：
19、
20、其中是系统的状态，是控制输入，是时间，是非线性函数；
21、优化控制：为了达到所需的动作，我们采用模型预测控制 (mpc) 策略。其基本思想是在每个时间步解决一个优化问题：
22、
23、其中是成本函数，是每个时间步的即时成本，是预测时间窗口；
24、所述的调整并验证奖励函数的超参数，确保奖励机制能够有效引导机械手臂的行为包括，
25、在线学习：在执行策略后，系统采集数据并用于在线优化。优化目标是：
26、
27、其中是损失函数，是策略参数，是由参数定义的策略，是奖励；
28、仿真误差：仿真环境中的误差是由以下公式计算的：
29、
30、其中是仿真中的真实输出，是仿真中的预测输出；
31、操作误差：实际操作中的误差由以下公式计算：
32、
33、其中是实际操作中的真实输出，是实际操作中的预测输出。
34、所述的强化学习应用子模块包括深度强化学习模型，其策略函数为：
35、其中是由参数化的策略函数，而是状态的特征表示；状态表示：在时间的状态包括机械手臂装置的当前姿势和物体的相对位置；动作空间：动作指导机械手臂装置的动作，这些连续的值，表示为达到所需手势的关角；通过奖励机制指导深度强化学习模型的训练。
36、所述的乳腺癌诊断模块包括以下子模块：
37、数据预处理子模块：将触觉信息转化为矩阵形式，采用滤波器技术和去噪手段对其进行处理，将乳腺钼靶图像经过增强与预处理，患者的生理特征则经过特征向量化处理；
38、特征提取子模块：基于cnn的深度学习网络被用于触觉特征的抽取，结合轻量化注意力和多尺度融合技术，乳腺钼靶图像特征经transformer网络提取，并应用基于伯努利分布的注意力平滑与基于傅里叶变换的频域自适应，患者基线数据经one-hot编码整合；
39、特征融合子模块：将多模态数据的特征结合，利用串联、加权、学习以及决策级融合技术，确保各数据源间的信息最大化利用，同时使用前融合、中融合与后融合技术，以提高模型的鲁棒性和准确性；
40、疾病诊断子模块：采用多任务模型处理数据特征，结合分类、分割和框选模型，引入注意力技术、多尺度处理、边缘感知等，实现性能的优化，确定乳腺是否存在肿瘤，以及肿瘤的大小、类型和浸润性等特性。
41、所述的特征提取模块中基于傅里叶变换的频域自适应为将乳腺钼靶图像进行二维傅里叶变换，得到其频域表示，频域表示可以反映图像中不同频率的分量，通过将频域表示的高频或低频分量提取出来，可以获取图像中不同尺度和方向的特征，公式如下：
42、
43、
44、其中f表示傅里叶变换算子。
45、所述的特征提取模块中基于伯努利分布的注意力平滑为使用伯努利分布对注意力进行平滑，缓解过拟合，公式表达如下：
46、；
47、其中x为注意力权重。ratio为平滑系数。
48、所述的数据预处理模块中通过改进squeeze-and-excitation (se)模块来对触觉特征进行加权融合，以提高关键特征的表达能力，se可表达为：
49、；
50、其中uc代表总的加权权重，vc代表单个的触觉特征块，x代表每个触觉特征块权重。
51、所述的特征融合模块中融合技术为通过在不同层级上提取并融合多个尺度的特征，可以捕捉到更丰富的触觉信息，公式如下：
52、
53、；
54、其中x1-4为各尺度特征，conv为卷积操作，concat()为连接函数。
55、所述的机械手臂交互模块中包括有：
56、语音识别模型:采用automatic speech recognition (asr)技术，利用声学模型、语言模型和发音词典对语音进行解码，声学模型用于提取反映语音信号特征的参数，然后利用特征训练模型，语言模型用于确定单词序列的可能性，发音字典则定义了每个单词的语音序列；
57、自然语言模型:采用深度学习（dl）与自然语言处理（nlp）结合，使用递归神经网络（rnn）和变换器架构（transformer architecture）深化语言理解，利用领域自适应技术（dat）进行专业术语处理，使用知识图谱（kg）来增强模型表现；
58、文字转语音模型: 采用文字转语音技术（text-to-speech, tts）将文本转换回自然语音，包括声学模型和合成声音模型（voice synthesis model, vsm），模拟人类的发音、音调和语速。
59、本发明的有益效果是：本发明提供了一种用于综合诊断乳腺癌的机械手臂装置，通过执行器机械、控制算法、传感器技术和人工智能（ai）的融合，以具身智能体的一体化操作实现乳腺癌患者问诊、体格检查、基线信息与影像学数据的收集，实现包括患者疾病灶触觉信息、基线信息、血清学信息、影像学信息在内的综合多模态诊断，本发明的机械手臂装置在整个乳腺癌诊断过程会非常高效且精准，机械手臂装置不仅能够提供快速的诊断服务，而且能够以人性化的方式与患者交流，确保患者在整个过程中感到舒适和放心。
1.用于综合诊断乳腺癌的机械手臂装置，其特征在于，包括以下模块：
2.根据权利要求1所述的机械手臂装置，其特征在于，所述的机械手臂运动模块包括以下子模块：
3.根据权利要求2所述的机械手臂装置，其特征在于，所述的信息转换与提取子模块包括包含多头自注意力结构的transformer模型，transformer模型方程 为
4.根据权利要求2所述的机械手臂装置，其特征在于，所述的奖励机制的塑造子模块包括用获得的高维手势信息作为基础构建的奖励函数，所述的奖励函数为
5.根据权利要求4所述的机械手臂装置法，其特征在于，所述的评估机械手臂装置的动作，并根据高维手势信息对其进行评分包括，
6.根据权利要求4所述的机械手臂装置法，其特征在于，所述的调整并验证奖励函数的超参数，确保奖励机制能够有效引导机械手臂的行为包括，
7.根据权利要求2所述的机械手臂装置，其特征在于，所述的强化学习应用子模块包括深度强化学习模型，其策略函数为：
8.根据权利要求1所述的机械手臂装置，其特征在于，所述的乳腺癌诊断模块包括以下子模块：
9.根据权利要求8所述的机械手臂装置，其特征在于，所述的特征提取模块中基于傅里叶变换的频域自适应为将乳腺钼靶图像进行二维傅里叶变换，得到其频域表示，频域表示可以反映图像中不同频率的分量，通过将频域表示的高频或低频分量提取出来，可以获取图像中不同尺度和方向的特征，公式如下：
10.根据权利要求8所述的机械手臂装置，其特征在于，所述的特征提取模块中基于伯努利分布的注意力平滑为使用伯努利分布对注意力进行平滑，缓解过拟合，公式表达如下：
