Display system and method for monitoring artificial intelligence AI predicted slice progress in real time

Abstract

The invention provides a display system and method for supervising an artificial intelligence AI predicted slice progress in real time. The system comprises a front-end interface module, a back-end server module and a prediction execution module, the method comprises the following steps: using a user interface constructed by a hypertext markup language HTML5 and a cascading style sheet CSS3 to display a progress and a result; compiling back-end logic by using a programming language, receiving a user request, processing data and executing an algorithm; interacting with a database to obtain and store data; an artificial intelligence algorithm is used for predicting pathological section images, the pathological section images are input into the algorithm, different stages are executed, the progress is recorded, and the progress is calculated by tracking the number of processed sections and the total number, or the progress is calculated by tracking consumed time and total estimated time. According to the invention, a complete pathological section processing system is realized, a user-friendly interface can be provided, the processing progress and result can be displayed, and interaction with the user can be realized.

Description

Technical Field

[0001] The present invention relates to the technical field of medical image analysis, and in particular to a display system and method for real-time supervision of artificial intelligence (AI) prediction of slicing progress. Background Art

[0002] Pathology is a very important diagnostic discipline, which generally includes the analysis and evaluation of pathological sections. Due to the limitations of technology, traditional pathologists need to manually observe and analyze pathological sections to diagnose and predict the progression of the disease. However, there are many challenges in using manual methods, such as subjectivity, human differences, and time dependence, resulting in low accuracy of pathological analysis results.

[0003] In recent years, artificial intelligence (AI) technology has made significant progress in the field of medical image analysis. AI algorithms can automatically identify and analyze features in pathological sections and assist doctors in diagnosing and predicting diseases. These AI algorithms are based on deep learning models and can accurately detect pathological features such as abnormal cells, tumors, and inflammation by training on a large amount of pathological section data. Although important progress has been made in the application of AI in pathology, when doctors use AI for pathological section analysis, they usually cannot understand the operating status, analysis progress, and result display of the AI ​​algorithm in real time, which may lead to a decrease in doctors' trust in AI algorithms, thereby limiting their application in clinical practice. As a result, there is currently a lack of a system for real-time monitoring and display of the progress of pathological section analysis.

[0004] At present, there are some similar pathology slice analysis systems, but they usually lack the function of real-time supervision and display of analysis progress; these systems mainly focus on pathology image analysis and diagnostic assistance, including algorithms based on machine learning and deep learning; these systems can automatically identify pathological features and assist doctors in diagnosis, but cannot provide real-time analysis progress and display. In addition, some research work is committed to developing an automated analysis platform for pathology slices, but it mainly focuses on data processing, algorithm optimization, and performance evaluation, while ignoring the need for real-time supervision and display of analysis progress.

[0005] Therefore, in the prior art, there is no display system that can monitor the progress of artificial intelligence AI prediction of pathological sections in real time. And the existing technology cannot achieve, real-time supervision: how to monitor the execution progress and status of the AI ​​algorithm in the pathological section analysis process in real time to ensure that doctors can understand the progress of the analysis in a timely manner. Data transmission and processing: how to efficiently transmit and process a large amount of pathological section data to ensure that the system can analyze and display under real-time requirements. Result display: how to intuitively display the analysis results of the AI ​​algorithm so that doctors can accurately understand and interpret the analysis results and make corresponding decisions in a timely manner. Interactivity: how to design the system interface and interaction method so that doctors can interact with the AI ​​algorithm, verify and correct the analysis results, and improve the reliability and accuracy of the system. Privacy and security: how to protect the privacy and security of pathological section data, and take appropriate security measures during system design and implementation to prevent unauthorized access and data leakage.

[0006] Prior art 1, application number: CN202010393011.6 discloses a COVID-19 disease progression evaluation method and device based on chest CT, which performs subjective scoring and manual lesion delineation on chest CT images of COVID-19 patients to construct a COVID-19 disease progression CT image dataset; preprocesses chest CT images of COVID-19 patients, including automatic lung segmentation, longitudinal registration and slice fusion, and multiplies the fused slice image with the delineated lesion image to obtain a fused lesion image; performs variance measurement and Chebyshev moment energy measurement of the gradient image on the fused lesion image to obtain a variance measurement value and a Chebyshev moment energy measurement value; normalizes the variance measurement value with the Chebyshev moment energy measurement value of the gradient image to obtain an objective score for disease progression; and performs consistency measurement on the subjective score of the radiologist and the objective score for disease progression. Although the disease progression can be automatically evaluated based on the chest CT of COVID-19 patients, and the evaluation results are well consistent with the scores of radiologists, the need for real-time supervision and display of analysis progress is ignored, resulting in the inability to obtain the progress of the slices in a timely manner.

[0007] Prior art 2, application number: CN202210923837.8 discloses a network load prediction method, device, electronic device and medium based on federated learning, in which a network slice user uses a trusted third-party device to receive the summary and transmission of model parameters from other network slice users under the federated learning architecture. The prediction model is trained based on the global model parameters to obtain a trained target prediction model. This achieves a method of using a federated learning framework to realize multi-party collaborative training of slice load prediction models while ensuring user privacy and non-sharing of data, thereby achieving the purpose of distributed heterogeneous load prediction at the slice level. Although the problem of insufficient traffic prediction performance of network slices that easily affects the progress of user business is avoided; however, there is a lack of supervision of the progress of pathological slice image analysis, resulting in a lack of supervision of the effectiveness of the analysis process.

[0008] Prior art three, application number: CN202310929023.X discloses a prediction method, device, equipment and medium, which obtains a marked pathological section image, and performs tissue identification and staining identification on the pathological section image respectively to obtain a target tissue classification result and a target staining identification result; according to the staining ratios corresponding to different types of tissues and immune markers, the immune scores of different immune markers in each type of tissue are determined; according to the immune scores of the immune markers, target immune markers related to prognosis are screened out from the immune markers, and according to the correlation between the risk ratio of the target immune marker and the prognosis, the tissue immune scores of each type of tissue are calculated; according to the immune scores of each immune marker, the survival risk level and immune progression score of colorectal cancer patients are determined; although the survival risk level and immune progression score are used to provide a treatment reference in combination with existing prediction results, the accuracy of the prediction results is improved; however, the analysis results of the AI ​​algorithm cannot be intuitively displayed, resulting in doctors being unable to accurately understand and interpret the analysis results.

[0009] Currently, the prior art one, prior art two and prior art three are unable to realize the display of the progress of artificial intelligence AI predicted pathological sections, and cannot ensure that doctors can understand the progress of the analysis in time, resulting in low efficiency and poor intuitiveness of pathological section data processing. Therefore, the present invention provides a display system and method for real-time supervision of artificial intelligence AI predicted section progress, aiming to fill the technical gap of the display system that can monitor the progress of artificial intelligence AI predicted pathological sections in real time, and provide doctors with a tool that can monitor and display the progress of AI analysis in real time, so as to improve doctors' trust in AI algorithms and help improve the accuracy and efficiency of pathological diagnosis. Summary of the invention

[0010] In order to solve the above technical problems, the present invention provides a real-time monitoring artificial intelligence AI prediction slicing progress display system, comprising:

[0011] The front-end interface module is responsible for building a user interface using HTML5 and CSS3 to display progress and results. It uses HTML5 server push event technology to establish a connection between the back-end server module and the browser. When the progress or results change, the back-end server module will push relevant data to the client, and the client will receive and update the displayed progress and results in a timely manner.

[0012] The backend server module is responsible for writing backend logic using programming languages, receiving user requests, processing data and algorithm execution; interacting with the database to obtain and store data;

[0013] The prediction execution module is responsible for using artificial intelligence algorithms to predict pathological slice images, inputting pathological slice images into the algorithm, executing different stages, and recording progress. The progress is calculated by tracking the number of slices processed and the total number, or by tracking the time consumed and the total estimated time. At the same time, it stores relevant information about pathological slices, stores the stage information and progress of algorithm execution, and stores the time consumed and the total estimated time.

[0014] Optional, front-end interface module, including:

[0015] The event detection submodule is responsible for the browser to use the application program interface JavaScript to write code and use it in the HTML file <script>标签嵌入JavaScript代码，通过WebSocket建立与后端服务器模块的连接，使用onmessage事件监听服务器发送的消息；当后端服务器模块推送事件发生时，事件监听器被触发；

[0016] 数据处理子模块，负责当事件监听器被触发时，通过事件对象获取后端服务器模块发送的数据，根据数据的格式和内容，对数据进行解析和处理，得到更新进度及展示结果；

[0017] 数据更新子模块，负责当进度或结果发生变化时，后端服务器模块向建立连接的客户端发送相关数据，通过监听服务器推送事件的回调函数，接收到后端服务器模块发送的数据，使用JavaScript的DOM操作方法将数据动态更新到网页的相应元素中。

[0018] 可选的，预测执行模块，包含：

[0019] 集合划分子模块，负责获取病理切片图像数据集和标签数据集，其中标签数据集应包含每个病理切片图像所对应的阶段信息；

[0020] 模型构建子模块，负责选择交叉熵损失函数衡量卷积神经网络模型预测结果与真实标签之间的差异，通过随机梯度下降优化器最小化交叉熵损失函数，将卷积神经网络模型架构、交叉熵损失函数和优化器编译在一起，完成卷积神经网络模型的构建；

[0021] 模型处理子模块，负责将病理切片图像输入到卷积神经网络模型中进行预测，得到每个病理切片图像所属的阶段；根据预测结果，追踪已处理的病理切片数量和总数量，或者追踪已消耗的时间和总预计时间。

[0022] 可选的，模型处理子模块根据已处理的病理切片数量和总数量的比例，或者已消耗的时间和总预计时间的比例，计算进度。

[0023] 可选的，模型处理子模块将进度信息输出，通过事件监听器及后端服务器模块方式将数据推送给用户展示。

[0024] 本发明提供的一种实时监督人工智能AI预测切片进度的展示方法，包含以下步骤：

[0025] 使用超文本标记语言HTML5和层叠样式表CSS3构建的用户界面，用于展示进度和结果；同时使用超文本标记语言HTML5服务器推送事件技术，建立后端服务器模块与浏览器之间的连接；

[0026] 使用编程语言编写后端逻辑，接收用户请求，处理数据和算法执行；与数据库交互以获取和存储数据；

[0027] 使用人工智能算法对病理切片图像进行预测，将病理切片图像输入算法，执行不同的阶段，并记录进度。

[0028] 可选的，使用基于对象和事件驱动的脚本语言JavaScript进行交互和动态更新。

[0029] 可选的，当进度或结果发生变化时，后端服务器模块会向客户端推送相关数据，客户端接收并及时更新展示的进度和结果。

[0030] 可选的，通过追踪已处理的切片数量和总数量计算进度，或者通过追踪已消耗的时间和总预计时间计算进度。

[0031] 可选的，使用人工智能算法对病理切片图像进行预测的过程，包含以下步骤：

[0032] 根据预测结果，追踪已处理的病理切片数量和总数量，或者追踪已消耗的时间和总预计时间；将进度信息输出，通过事件监听器及后端服务器模块方式将数据推送给用户展示。

[0033] 本发明的前端界面模块使用超文本标记语言HTML5和层叠样式表CSS3构建的用户界面，用于展示进度和结果；使用基于对象和事件驱动的脚本语言JavaScript进行交互和动态更新；同时使用超文本标记语言HTML5服务器推送事件技术，建立后端服务器模块与浏览器之间的连接，当进度或结果发生变化时，后端服务器模块会向客户端推送相关数据，客户端可以接收并及时更新展示的进度和结果；后端服务器模块使用编程语言编写后端逻辑，接收用户请求，处理数据和算法执行；与数据库交互以获取和存储数据；预测执行模块使用人工智能算法对病理切片图像进行预测，将病理切片图像输入算法，执行不同的阶段，并记录进度，通过追踪已处理的切片数量和总数量来计算进度，或者通过追踪已消耗的时间和总预计时间来计算进度；同时存储病理切片的相关信息，包括切片数量、处理状态及进度等，存储算法执行的阶段信息和进度，存储已消耗的时间和总预计时间；上述方案通过结合前端界面模块、后端服务器模块和预测执行模块，实现了一个完整的病理切片处理系统，这个系统能够提供用户友好的界面，展示处理进度和结果，并能够与用户进行交互。同时，通过使用服务器推送事件技术，系统能够实时更新进度和结果，提高用户体验。在后端方面，采用高级编程语言编写的后端逻辑能够接收用户请求，处理数据和算法执行，实现病理切片的预测功能；与数据库交互可以方便地获取和存储数据，包括病理切片的相关信息、算法执行的阶段信息和进度、已消耗的时间和总预计时间等。本实施例的整个方案的意义在于提供了一个自动化的病理切片处理系统，能够大大提高病理切片的处理效率和准确性。通过集成不同的技术和模块，实现了前后端的协作和交互，提供了一个方便、快捷及准确的病理切片处理平台，对医疗诊断和研究等领域具有重要的意义。

[0034] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

[0035] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明

[0036] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

[0037] 图1为本发明实施例1中实时监督人工智能AI预测切片进度的展示系统壳体；

[0038] 图2为本发明实施例2中前端界面模块框图一；

[0039] 图3为本发明实施例3中界面结构构建子模块框图；

[0040] 图4为本发明实施例4中前端界面模块框图二；

[0041] 图5为本发明实施例5中后端服务器模块框图；

[0042] 图6为本发明实施例6中数据计算子模块框图；

[0043] 图7为本发明实施例7中预测执行模块框图；

[0044] 图8为本发明实施例8中模型构建子模块框图；

[0045] 图9为本发明实施例9中实时监督人工智能AI预测切片进度的展示方法流程图；

[0046] 图10为本发明实施例10中用户界面的构建过程图；

[0047] 图11为本发明实施例11中处理数据和算法执行的过程图；

[0048] 图12为本发明实施例12中使用人工智能算法对病理切片图像进行预测的过程图。具体实施方式

[0049] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

[0050] 在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例中所使用的单数形式的"一种”、"所述”和"该”也旨在包含多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语"和 / 或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

[0051] 下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是所详述的、本申请的一些方面相一致的装置和方法的例子。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

[0052] 实施例1：如图1所示，本发明实施例提供了一种实时监督人工智能AI预测切片进度的展示系统，包含：

[0053] 前端界面模块，负责使用超文本标记语言HTML5和层叠样式表CSS3构建的用户界面，用于展示进度和结果；使用基于对象和事件驱动的脚本语言JavaScript进行交互和动态更新；同时使用超文本标记语言HTML5服务器推送事件技术，建立后端服务器模块与浏览器之间的连接，当进度或结果发生变化时，后端服务器模块会向客户端推送相关数据，客户端可以接收并及时更新展示的进度和结果；

[0054] 后端服务器模块，负责使用编程语言编写后端逻辑，接收用户请求，处理数据和算法执行；与数据库交互以获取和存储数据；

[0055] 预测执行模块，负责使用人工智能算法对病理切片图像进行预测，将病理切片图像输入算法，执行不同的阶段，并记录进度，通过追踪已处理的切片数量和总数量来计算进度，或者通过追踪已消耗的时间和总预计时间来计算进度；同时存储病理切片的相关信息，包括切片数量、处理状态及进度等，存储算法执行的阶段信息和进度，存储已消耗的时间和总预计时间；

[0056] 上述技术方案的工作原理和有益效果为：本实施例的前端界面模块使用超文本标记语言HTML5和层叠样式表CSS3构建的用户界面，用于展示进度和结果；使用基于对象和事件驱动的脚本语言JavaScript进行交互和动态更新；同时使用超文本标记语言HTML5服务器推送事件技术，建立后端服务器模块与浏览器之间的连接，当进度或结果发生变化时，后端服务器模块会向客户端推送相关数据，客户端可以接收并及时更新展示的进度和结果；后端服务器模块使用编程语言编写后端逻辑，接收用户请求，处理数据和算法执行；与数据库交互以获取和存储数据；预测执行模块使用人工智能算法对病理切片图像进行预测，将病理切片图像输入算法，执行不同的阶段，并记录进度，通过追踪已处理的切片数量和总数量来计算进度，或者通过追踪已消耗的时间和总预计时间来计算进度；同时存储病理切片的相关信息，包括切片数量、处理状态及进度等，存储算法执行的阶段信息和进度，存储已消耗的时间和总预计时间；上述方案通过结合前端界面模块、后端服务器模块和预测执行模块，实现了一个完整的病理切片处理系统，这个系统能够提供用户友好的界面，展示处理进度和结果，并能够与用户进行交互。同时，通过使用服务器推送事件技术，系统能够实时更新进度和结果，提高用户体验。在后端方面，采用高级编程语言编写的后端逻辑能够接收用户请求，处理数据和算法执行，实现病理切片的预测功能；与数据库交互可以方便地获取和存储数据，包括病理切片的相关信息、算法执行的阶段信息和进度、已消耗的时间和总预计时间等。本实施例的整个方案的意义在于提供了一个自动化的病理切片处理系统，能够大大提高病理切片的处理效率和准确性。通过集成不同的技术和模块，实现了前后端的协作和交互，提供了一个方便、快捷及准确的病理切片处理平台，对医疗诊断和研究等领域具有重要的意义。

[0057] 本实施例的人工智能AI预测病理切片，基于算法执行的阶段，即AI算法在执行过程中有不同的阶段，通过追踪当前所处的阶段，并计算已经完成的阶段数量与总阶段数量之间的比例来计算进度。同时基于已处理病理切片数量的百分比，通过追踪已经完成的病理切片数量与总病理切片数量之间的比例来计算进度。例如，如果系统需要处理100个病理切片，而已经处理了50个，那么进度为50％。结合基于已经消耗的时间的百分比：通过追踪已经消耗的时间与总预计时间之间的比例来计算进度。例如，如果预计处理100个病理切片需要1小时，而已经过去了30分钟，那么进度为50％。考虑到数据处理和算法执行的实际时间，以及可能出现的异常情况。通过将三者结合从而确保进度计算方法科学，准确、可靠，并与实际执行过程相匹配。然后通过SEE全新的HTML5服务器推送事件技术，这种方式能够从服务器端推送数据给浏览器，以保证服务器端的数据变化可以在第一时间通知给用户展示。

[0058] 综上所述，本实施例提高病理切片分析效率：实时监督人工智能AI预测病理切片进度的展示系统可以提高病理切片分析的效率。通过实时监督和展示系统，医生可以实时了解AI算法的执行进度，从而更好地规划工作流程和时间安排。提升病理切片分析准确性：通过监督和展示系统，医生可以验证和纠正AI算法的分析结果。这有助于提升病理切片分析的准确性，并减少潜在的误诊或漏诊情况。加快诊断和治疗决策过程：由于系统可以实时显示AI算法的分析进度和结果，医生可以更快地获取病理切片分析的信息，并作出诊断和治疗决策，这有助于加快疾病诊断和治疗的过程，提高患者的治疗效果和康复速度。提供科学依据和教育支持：系统可以记录和存储病理切片分析的进度和结果数据，为科学研究和教育提供支持。这些数据可以用于分析和评估疾病的发展趋势和治疗效果，为医学研究和教学提供有价值的参考。

[0059] 本发明提供的实时监督人工智能AI预测病理切片进度的展示系统具有提高效率、准确性和决策速度的优势，有助于改善病理切片分析的质量和效果，为医生和患者提供更好的医疗服务。实现了实时监督：系统可以实时监督AI算法对病理切片的分析进度，并将其展示给医生。这种实时监督可以帮助医生了解分析的进展情况，及时作出决策和调整工作流程。实现了病理切片预测：系统采用人工智能技术对病理切片进行预测分析，可以快速而准确地提供初步的分析结果，可以帮助医生在诊断和治疗决策中提供有用的参考信息。实现了进度展示：系统可以以可视化的方式展示AI算法对病理切片分析的进度，例如进度条或百分比等形式，使医生可以直观地了解分析的进度情况，更好地管理工作流程和时间安排。实现了高效性：系统通过自动化和人工智能技术提高了病理切片分析的效率，加快了诊断和治疗决策的速度。实现了提供决策优势：系统为医生提供病理切片分析的进度，为医学诊断和治疗决策提供先行价值

[0060] 本实施例的系统适用于病理切片分析领域，可以帮助医生提高工作效率并改善诊断结果。本发明的保护点在于其创新性和实用性，以及其在医学领域的应用价值。该系统结合了实时监督、人工智能和病理切片分析等技术，提供了一种新的方式来改进病理切片分析的过程。通过确保AI算法的准确性、提高工作效率和决策速度，该系统有望为医生提供更好的支持和指导，改善疾病诊断和治疗的质量和效果。数字病理图像(whole slide image，WSI)：通过全自动显微镜或光学放大系统扫描采集得到高分辨数字图像，通过计算机进行高精度多视野无缝隙拼接和处理，从而获得的多层级可视化的图像。AI：人工智能(Artificial Intelligence)英文缩写为AI。是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。SEE：(Server-sentEvents，服务器发送事件)使用服务器发送事件，服务器可以随时向Web页面推送数据和信息。这些被推送进来的信息可以在这个页面上以事件+数据的形式来处理的实时通信。HTML(HyperTextMarkup Language，超文本标记语言)是一种描述语言，用来定义网页结构。HTML的最新稳定版本是HTML5。将HTML从用于构造一个文档的一个简单标记，到一个完整的应用程序开发平台。除其他功能外，HTML5还包括新元素和用于增强存储、多媒体和硬件访问的JavaScriptAPIs(是JavaScript编程语言提供的应用程序接口(Application ProgrammingInterfaces))。

[0061] 实施例2：如图2所示，在实施例1的基础上，本发明实施例提供的前端界面模块，包含：

[0062] 页面文件生成子模块，负责在用户界面编辑器的界面中显示用户界面编辑区域以及模板选择区域，模板选择区域展示有多个模板标识，每一模板标识对应一编译模板的生成信息，用户界面编辑器存储有各用户界面对应的页面文件，页面文件包括模板标识相应的生成信息；

[0063] 界面结构构建子模块，负责使用超文本标记语言HTML5创建界面的结构，在结构中添加所需的文本、图像、视频及音频等，使用标签和属性，将文本、图像、视频及音频等嵌入到页面文件中；使用层叠样式表CSS3样式表定义和应用前端界面的样式，样式的属性包含颜色、背景、字体、边框、布局、渐变、阴影、过渡及动画等；完成前端界面的构建；

[0064] 测试及上传子模块，负责在完成前端界面的构建后，在不同的浏览器和设备上测试，完成前端界面的测试后，将超文本标记语言HTML5和层叠样式表CSS3文件上传到后端服务器模块上，以使前端界面在互联网上访问和使用；根据需要将前端界面与数据库集成，实现交互；

[0065] 上述技术方案的工作原理和有益效果为：本实施例的页面文件生成子模块在用户界面编辑器的界面中显示用户界面编辑区域以及模板选择区域，模板选择区域展示有多个模板标识，每一模板标识对应一编译模板的生成信息，用户界面编辑器存储有各用户界面对应的页面文件，页面文件包括模板标识相应的生成信息；界面结构构建子模块使用超文本标记语言HTML5创建界面的结构，在结构中添加所需的文本、图像、视频及音频等，使用标签和属性，将文本、图像、视频及音频等嵌入到页面文件中；使用层叠样式表CSS3样式表定义和应用前端界面的样式，样式的属性包含颜色、背景、字体、边框、布局、渐变、阴影、过渡及动画等；完成前端界面的构建；测试及上传子模块在完成前端界面的构建后，在不同的浏览器和设备上测试，完成前端界面的测试后，将超文本标记语言HTML5和层叠样式表CSS3文件上传到后端服务器模块上，以使前端界面在互联网上访问和使用；根据需要将前端界面与数据库集成，实现交互；上述方案通过使用HTML5和CSS3构建用户界面，实现了一套完整的用户界面编辑和构建流程。具体而言，本实施例的意义包括：提供了一个用户界面编辑器，使用户能够直观地编辑和设计界面。用户可以在编辑器中选择不同的模板，并根据需要进行编辑和修改，从而快速创建符合需求的界面。使用HTML5创建界面的结构，可以方便地添加文本、图像、视频和音频等元素，并通过标签和属性来控制其位置、大小和样式。使用CSS3样式表定义和应用界面的样式，可以实现丰富的样式效果，包括颜色、背景、字体、边框、布局、渐变、阴影、过渡和动画等，从而使界面更加美观和吸引人。完成前端界面的构建后，进行测试和上传，确保界面在不同浏览器和设备上的兼容性和稳定性，以便用户能够通过互联网访问和使用界面。根据需要，可以将前端界面与数据库进行集成，实现数据的交互和动态展示，从而提升用户体验和功能性。

[0066] 本实施例提供了一套高效、灵活和美观的用户界面构建流程，帮助开发人员和设计人员快速创建和部署用户界面，同时满足用户对界面美观性和功能性的需求。

[0067] 实施例3：如图3所示，在实施例2的基础上，本发明实施例提供的界面结构构建子模块，包含：

[0068] 第一功能设定单元，负责超文本标记语言HTML5定义网页的结构和内容，使用标签来表示展示进度和结果不同的元素，标题、段落、链接及图像等；标签还可以包含属性，用于定义元素的特性和行为；通过HTML标签和属性，将文本、图像、视频和音频等嵌入到网页文件中；

[0069] 第二功能设定单元，负责层叠样式表CSS3定义网页的样式和布局，使用样式规则选择HTML5元素，并应用样式；样式规则由选择器和声明块组成；选择器指定要应用样式的HTML5元素，而声明块包含一系列样式属性和值，用于定义元素的外观和行为；

[0070] 功能联立单元，负责将层叠样式表CSS3嵌入到超文本标记语言HTML5的文档中的<style>标签内，在<style>标签内，定义各种选择器和对应的样式规则，通过属性来设置背景颜色和字体样式；在HTML5文档的其他部分，使用层叠样式表CSS3样式定义的类名或选择器应用样式；

[0071] 上述技术方案的工作原理和有益效果为：本实施例的第一功能设定单元超文本标记语言HTML5定义网页的结构和内容，使用标签来表示展示进度和结果不同的元素，标题、段落、链接及图像等；标签还可以包含属性，用于定义元素的特性和行为；通过HTML标签和属性，将文本、图像、视频和音频等嵌入到网页文件中；第二功能设定单元层叠样式表CSS3定义网页的样式和布局，使用样式规则选择HTML5元素，并应用样式；样式规则由选择器和声明块组成；选择器指定要应用样式的HTML5元素，而声明块包含一系列样式属性和值，用于定义元素的外观和行为；功能联立单元将层叠样式表CSS3嵌入到超文本标记语言HTML5的文档中的<style>标签内，在<style>标签内，定义各种选择器和对应的样式规则，通过属性来设置背景颜色和字体样式；在HTML5文档的其他部分，使用层叠样式表CSS3样式定义的类名或选择器应用样式；上述方案将层叠样式表CSS3嵌入到超文本标记语言HTML5的文档中，实现以下意义：分离结构与样式：HTML5负责定义网页的结构和内容，而CSS3负责定义网页的样式和布局；通过将样式与结构分开，使得网页的维护更加简单和灵活。统一风格和外观：通过CSS3样式表，可以统一网页中不同元素的外观和行为；可以设置统一的颜色、字体及背景等样式，使得整个网页看起来更加统一和专业。提高可维护性和可复用性：通过CSS3样式表中定义的类名或选择器，可以在HTML5文档的其他部分应用样式，可以实现样式的复用，减少代码的重复编写，提高网页的可维护性和可复用性。快速修改和更新：将样式定义在CSS3样式表中，可以方便地对样式进行修改和更新。只需修改CSS3样式表中的相应样式规则，就可以快速地改变整个网页的外观。

[0072] 综上所述，本实施例将层叠样式表CSS3和超文本标记语言HTML5结合使用，可以实现网页的结构、内容和样式的分离，提高网页的可维护性和可复用性，同时也能够统一网页的风格和外观，快速修改和更新网页的样式。

[0073] 实施例4：如图4所示，在实施例1的基础上，本发明实施例提供的前端界面模块，还包含：

[0074] 事件检测子模块，负责浏览器使用应用程序接口JavaScript编写代码，在HTML文件中使用<script>标签嵌入JavaScript代码，通过WebSocket建立与后端服务器模块的连接，使用onmessage事件监听服务器发送的消息；当后端服务器模块推送事件发生时，事件监听器被触发；

[0075] 数据处理子模块，负责当事件监听器被触发时，通过事件对象获取后端服务器模块发送的数据，根据数据的格式和内容，对数据进行解析和处理，得到更新进度及展示结果等；

[0076] 数据更新子模块，负责当进度或结果发生变化时，后端服务器模块向建立连接的客户端发送相关数据，通过监听服务器推送事件的回调函数，接收到后端服务器模块发送的数据，使用JavaScript的DOM操作方法将数据动态更新到网页的相应元素中；

[0077] 上述技术方案的工作原理和有益效果为：本实施例的事件检测子模块浏览器使用应用程序接口JavaScript编写代码，在HTML文件中使用<script>标签嵌入JavaScript代码，通过WebSocket建立与后端服务器模块的连接，使用onmessage事件监听服务器发送的消息；当后端服务器模块推送事件发生时，事件监听器被触发；数据处理子模块当事件监听器被触发时，通过事件对象获取后端服务器模块发送的数据，根据数据的格式和内容，对数据进行解析和处理，得到更新进度及展示结果等；数据更新子模块当进度或结果发生变化时，后端服务器模块向建立连接的客户端发送相关数据，通过监听服务器推送事件的回调函数，接收到后端服务器模块发送的数据，使用JavaScript的DOM操作方法将数据动态更新到网页的相应元素中；上述方案通过WebSocket实现了实时的双向通信，使前端浏览器能够与后端服务器进行实时的数据交互和更新；这种实时通信的能力可以用于多种场景，例如实时聊天应用、实时数据监控、实时通知等。通过实时更新数据，可以提升用户体验，使用户能够及时获取到最新的信息和结果。同时，这种实时通信的方式也能够减少不必要的请求和响应，提高网络传输的效率。

[0078] 实施例5：如图5所示，在实施例1的基础上，本发明实施例提供的后端服务器模块，包含：

[0079] 数据库连接子模块，负责根据使用的数据库类型，导入相应的数据库库，连接到数据库服务器，传入数据库的主机名、端口号、用户名及密码等信息；通过数据库连接对象，创建一个游标对象，用于执行SQL语句和获取结果；

[0080] 语句执行子模块，负责使用游标对象的execute方法，执行SQL语句，SQL语句包含查询语句SELECT、插入语句INSERT、更新语句UPDATE或删除语句DELETE等；

[0081] 数据计算子模块，负责使用编程语言提供的数据结构和算法库，对数据进行操作和计算；如果需要对数据库进行事务处理，使用数据库连接对象的commit和rollback方法，提交或回滚事务；使用数据库连接对象的close方法，关闭与数据库的连接，确保在程序结束时，释放数据库资源；

[0082] 上述技术方案的工作原理和有益效果为：本实施例的数据库连接子模块根据使用的数据库类型，导入相应的数据库库，连接到数据库服务器，传入数据库的主机名、端口号、用户名及密码等信息；通过数据库连接对象，创建一个游标对象，用于执行SQL语句和获取结果；语句执行子模块使用游标对象的execute方法，执行SQL语句，SQL语句包含查询语句SELECT、插入语句INSERT、更新语句UPDATE或删除语句DELETE等；数据计算子模块使用编程语言提供的数据结构和算法库，对数据进行操作和计算；如果需要对数据库进行事务处理，使用数据库连接对象的commit和rollback方法，提交或回滚事务；使用数据库连接对象的close方法，关闭与数据库的连接，确保在程序结束时，释放数据库资源；上述方案建立一个数据库连接子模块，可以根据使用的数据库类型灵活导入相应的数据库库，并通过传入主机名、端口号、用户名和密码等信息，连接到数据库服务器；通过创建游标对象，可以执行SQL语句并获取结果；可以方便地进行数据库操作，包括查询、插入、更新和删除等。涉及的数据计算子模块，利用编程语言提供的数据结构和算法库对数据库中的数据进行操作和计算；可以使得数据处理更加灵活高效。如果需要对数据库进行事务处理，提供使用数据库连接对象的commit和rollback方法，可以进行事务的提交和回滚，有助于确保数据的一致性和完整性。通过使用数据库连接对象的close方法，可以在程序结束时关闭与数据库的连接，释放数据库资源，避免资源泄漏和性能问题。

[0083] 本实施例提供了一个可靠和高效的数据库操作方案，可以方便地连接和操作数据库，并提供事务处理和资源释放的机制，提升了程序的稳定性和效率。

[0084] 实施例6：如图6所示，在实施例5的基础上，本发明实施例提供的数据计算子模块，包含：

[0085] 阶段追踪单元，负责获取当前病理切片图像的阶段属性，获取确定总阶段病理切片数量和总病理切片数量；追踪当前所处的阶段和已处理的病理切片数量；

[0086] 进度计算单元，负责计算已经完成的阶段病理切片数量与总阶段病理切片数量之间的比例计算进度，或者基于已处理病理切片数量的百分比，通过追踪已经完成的病理切片数量与总病理切片数量之间的比例计算进度；

[0087] 结果输出单元，负责触发与算法库连接的事件监听器，推送事件技术，从后端服务器模块推送数据给浏览器，数据变化可以在前端界面模块在第一时间通知给用户展示；

[0088] 上述技术方案的工作原理和有益效果为：本实施例的阶段追踪单元获取当前病理切片图像的阶段属性，获取确定总阶段病理切片数量和总病理切片数量；追踪当前所处的阶段和已处理的病理切片数量；进度计算单元计算已经完成的阶段病理切片数量与总阶段病理切片数量之间的比例计算进度，或者基于已处理病理切片数量的百分比，通过追踪已经完成的病理切片数量与总病理切片数量之间的比例计算进度；结果输出单元触发与算法库连接的事件监听器，推送事件技术，从后端服务器模块推送数据给浏览器，数据变化可以在前端界面模块在第一时间通知给用户展示；上述方案可以对病理切片图像进行阶段追踪和进度计算，并将结果输出给用户展示；对于病理学领域的研究和工作非常重要；通过追踪当前所处的阶段和已处理的病理切片数量，可以实时监控工作进展，及时调整工作计划；进度计算可以让用户了解工作的完成情况，提前预估工作时间和资源需求；结果输出可以让用户及时获取和查看工作结果，提高工作效率和准确性。本实施例可以提高病理学研究和工作的效率和质量，为医疗健康领域提供有力支持。

[0089] 实施例7：如图7所示，在实施例1的基础上，本发明实施例提供的预测执行模块，包含：

[0090] 集合划分子模块，负责获取病理切片图像数据集和标签数据集，其中标签数据集应包含每个病理切片图像所对应的阶段信息，将病理切片图像数据集划分为训练集和测试集，用深度学习框架的API构建卷积神经网络模型的架构，通过卷积操作在输入病理切片图像上提取特征，通过降采样的方式减小病理切片图像的尺寸，同时保留权重超过阈值的特征，将卷积操作和池化操作输出的特征映射展平，并连接到全连接层，全连接层将特征映射与阶段信息进行关联；

[0091] 模型构建子模块，负责选择交叉熵损失函数衡量卷积神经网络模型预测结果与真实标签之间的差异，通过随机梯度下降优化器最小化交叉熵损失函数，将卷积神经网络模型架构、交叉熵损失函数和优化器编译在一起，完成卷积神经网络模型的构建；

[0092] 模型处理子模块，负责将病理切片图像输入到卷积神经网络模型中进行预测，得到每个病理切片图像所属的阶段；根据预测结果，追踪已处理的病理切片数量和总数量，或者追踪已消耗的时间和总预计时间；根据已处理的病理切片数量和总数量的比例，或者已消耗的时间和总预计时间的比例，计算进度；将进度信息输出，通过事件监听器及后端服务器模块方式将数据推送给用户展示；

[0093] 上述技术方案的工作原理和有益效果为：本实施例的集合划分子模块获取病理切片图像数据集和标签数据集，其中标签数据集应包含每个病理切片图像所对应的阶段信息，将病理切片图像数据集划分为训练集和测试集，用深度学习框架的API构建卷积神经网络模型的架构，通过卷积操作在输入病理切片图像上提取特征，通过降采样的方式减小病理切片图像的尺寸，同时保留权重超过阈值的特征，将卷积操作和池化操作输出的特征映射展平，并连接到全连接层，全连接层将特征映射与阶段信息进行关联；模型构建子模块选择交叉熵损失函数衡量卷积神经网络模型预测结果与真实标签之间的差异，通过随机梯度下降优化器最小化交叉熵损失函数，将卷积神经网络模型架构、损失函数和优化器编译在一起，完成卷积神经网络模型的构建；模型处理子模块将病理切片图像输入到卷积神经网络模型中进行预测，得到每个病理切片图像所属的阶段；根据预测结果，追踪已处理的病理切片数量和总数量，或者追踪已消耗的时间和总预计时间；根据已处理的病理切片数量和总数量的比例，或者已消耗的时间和总预计时间的比例，计算进度；将进度信息输出，通过事件监听器及后端服务器模块方式将数据推送给用户展示；上述方案构建卷积神经网络模型来处理病理切片图像数据，从而实现对病理切片图像的自动识别和分类。具体意义如下：自动化病理切片图像分类：通过构建卷积神经网络模型，可以自动对病理切片图像进行分类，即将其归类到不同的阶段；有助于医生和研究人员快速准确地了解病理切片图像的特征和状态，提高病理诊断和研究的效率。提取重要特征：卷积操作能够在输入的病理切片图像上提取特征，通过降采样的方式减小图像尺寸，并保留权重超过阈值的重要特征；有助于减少图像数据的维度，并且保留对分类任务有用的特征信息。构建全连接层进行特征关联：通过连接卷积操作和池化操作输出的特征映射到全连接层，可以将特征映射与病理切片图像所对应的阶段信息进行关联；有助于训练模型学习特征与标签之间的关系，提高模型的分类准确性。使用交叉熵损失函数进行模型评估：通过选择交叉熵损失函数衡量模型预测结果与真实标签之间的差异，可以评估模型的性能和准确性。优化器通过最小化交叉熵损失函数，进一步优化模型的参数，提高模型的训练效果。监控和展示处理进度：通过追踪已处理的病理切片数量和总数量的比例，或者已消耗的时间和总预计时间的比例，可以计算处理进度；通过事件监听器和后端服务器模块，将进度信息推送给用户展示，提供实时的处理进度反馈。

[0094] 本实施例自动化和提高病理切片图像的分类和识别效率，减轻医生和研究人员的负担，并提供实时的处理进度监控和展示，有助于促进医学诊断和研究的发展，提高医疗服务的质量和效率。

[0095] 实施例8：如图8所示，在实施例7的基础上，本发明实施例提供的模型构建子模块，包含：

[0096] 函数生成单元，负责将卷积神经网络模型架构、交叉熵损失函数和优化器编译在一起，生成编译函数，利用编译函数对卷积神经网络模型架构、交叉熵损失函数和优化器进行处理，其中，生成编译函数包含建立指令库，指令库内存储有多种中间表示指令，根据需求确定相应的编译函数执行流程，根据编译函数执行流程选取指令库中与编译函数执行流程匹配的中间表示指令，构成中问表示指令集；将中间表示指令集生成编译函数；

[0097] 模型训练单元，负责将训练集输入到卷积神经网络模型中，通过调用训练函数开始训练，在每个训练迭代中，根据输入数据进行前向传播、计算损失、反向传播、更新权重及偏置；在训练过程中，使用验证集对卷积神经网络模型进行评估，观察模型的性能和损失变化；根据评估结果，调整训练参数或卷积神经网络模型架构；

[0098] 模型保存单元，负责当达到预设的训练迭代次数时，训练完成，保存训练好的卷积神经网络模型用于病理数字图像切片的进展预测任务；

[0099] 上述技术方案的工作原理和有益效果为：本实施例的函数生成单元将卷积神经网络模型架构、交叉熵损失函数和优化器编译在一起，生成编译函数，利用编译函数对卷积神经网络模型架构、交叉熵损失函数和优化器进行处理，其中，生成编译函数包含建立指令库，指令库内存储有多种中间表示指令，根据需求确定相应的编译函数执行流程，根据编译函数执行流程选取指令库中与编译函数执行流程匹配的中间表示指令，构成中问表示指令集；将中间表示指令集生成编译函数；模型训练单元将训练集输入到卷积神经网络模型中，通过调用训练函数开始训练，在每个训练迭代中，根据输入数据进行前向传播、计算损失、反向传播、更新权重及偏置；在训练过程中，使用验证集对卷积神经网络模型进行评估，观察模型的性能和损失变化；根据评估结果，调整训练参数或卷积神经网络模型架构；模型保存单元当达到预设的训练迭代次数时，训练完成，保存训练好的卷积神经网络模型用于病理数字图像切片的进展预测任务；上述方案将卷积神经网络模型架构、损失函数和优化器编译在一起，生成编译函数，并利用编译函数对模型进行训练和保存。意义在于：提高模型的效率：通过编译函数生成的中间表示指令集可以优化模型的计算过程，提高模型的训练和推理速度。方便模型的调整和优化：通过观察评估结果，可以根据需要调整训练参数或卷积神经网络模型架构，进一步提升模型的性能。实现模型的持久化：通过保存训练好的模型，可以在后续的任务中直接加载模型，而不需要重新训练，节省时间和计算资源。适用于病理数字图像切片的进展预测任务：该方案可以应用于病理数字图像切片的进展预测任务，通过训练好的模型对新的图像进行预测，提供有助于医学诊断和治疗的预测结果。

[0100] 本实施例提高模型效率，方便调整和优化模型，实现模型的持久化，并应用于具体的医学图像任务。

[0101] 实施例9：如图9所示，在实施例1-实施例8的基础上，本发明实施例提供的实时监督人工智能AI预测切片进度的展示方法，包含以下步骤：

[0102] S100：使用超文本标记语言HTML5和层叠样式表CSS3构建的用户界面，用于展示进度和结果；使用基于对象和事件驱动的脚本语言JavaScript进行交互和动态更新；同时使用超文本标记语言HTML5服务器推送事件技术，建立后端服务器模块与浏览器之间的连接，当进度或结果发生变化时，后端服务器模块会向客户端推送相关数据，客户端可以接收并及时更新展示的进度和结果；

[0103] S200：使用编程语言编写后端逻辑，接收用户请求，处理数据和算法执行；与数据库交互以获取和存储数据；

[0104] S300：使用人工智能算法对病理切片图像进行预测，将病理切片图像输入算法，执行不同的阶段，并记录进度，通过追踪已处理的切片数量和总数量来计算进度，或者通过追踪已消耗的时间和总预计时间来计算进度；同时存储病理切片的相关信息，包括切片数量、处理状态及进度等，存储算法执行的阶段信息和进度，存储已消耗的时间和总预计时间；

[0105] 上述技术方案的工作原理和有益效果为：本实施例首先使用超文本标记语言HTML5和层叠样式表CSS3构建的用户界面，用于展示进度和结果；使用基于对象和事件驱动的脚本语言JavaScript进行交互和动态更新；同时使用超文本标记语言HTML5服务器推送事件技术，建立后端服务器模块与浏览器之间的连接，当进度或结果发生变化时，后端服务器模块会向客户端推送相关数据，客户端可以接收并及时更新展示的进度和结果；其次使用编程语言编写后端逻辑，接收用户请求，处理数据和算法执行；与数据库交互以获取和存储数据；最后使用人工智能算法对病理切片图像进行预测，将病理切片图像输入算法，执行不同的阶段，并记录进度，通过追踪已处理的切片数量和总数量来计算进度，或者通过追踪已消耗的时间和总预计时间来计算进度；同时存储病理切片的相关信息，包括切片数量、处理状态及进度等，存储算法执行的阶段信息和进度，存储已消耗的时间和总预计时间；上述方案通过结合前端界面模块、后端服务器模块和预测执行模块，实现了一个完整的病理切片处理系统，这个系统能够提供用户友好的界面，展示处理进度和结果，并能够与用户进行交互。同时，通过使用服务器推送事件技术，系统能够实时更新进度和结果，提高用户体验。在后端方面，采用高级编程语言编写的后端逻辑能够接收用户请求，处理数据和算法执行，实现病理切片的预测功能；与数据库交互可以方便地获取和存储数据，包括病理切片的相关信息、算法执行的阶段信息和进度、已消耗的时间和总预计时间等。本实施例的整个方案的意义在于提供了一个自动化的病理切片处理系统，能够大大提高病理切片的处理效率和准确性。通过集成不同的技术和模块，实现了前后端的协作和交互，提供了一个方便、快捷及准确的病理切片处理平台，对医疗诊断和研究等领域具有重要的意义。

[0106] 本实施例的人工智能AI预测病理切片，基于算法执行的阶段，即AI算法在执行过程中有不同的阶段，通过追踪当前所处的阶段，并计算已经完成的阶段数量与总阶段数量之间的比例来计算进度。同时基于已处理病理切片数量的百分比，通过追踪已经完成的病理切片数量与总病理切片数量之间的比例来计算进度。例如，如果系统需要处理100个病理切片，而已经处理了50个，那么进度为50％。结合基于已经消耗的时间的百分比：通过追踪已经消耗的时间与总预计时间之间的比例来计算进度。例如，如果预计处理100个病理切片需要1小时，而已经过去了30分钟，那么进度为50％。考虑到数据处理和算法执行的实际时间，以及可能出现的异常情况。通过将三者结合从而确保进度计算方法科学，准确、可靠，并与实际执行过程相匹配。然后通过SEE全新的HTML5服务器推送事件技术，这种方式能够从服务器端推送数据给浏览器，以保证服务器端的数据变化可以在第一时间通知给用户展示。

[0107] 综上所述，本实施例提高病理切片分析效率：实时监督人工智能AI预测病理切片进度的展示系统可以提高病理切片分析的效率。通过实时监督和展示系统，医生可以实时了解AI算法的执行进度，从而更好地规划工作流程和时间安排。提升病理切片分析准确性：通过监督和展示系统，医生可以验证和纠正AI算法的分析结果。这有助于提升病理切片分析的准确性，并减少潜在的误诊或漏诊情况。加快诊断和治疗决策过程：由于系统可以实时显示AI算法的分析进度和结果，医生可以更快地获取病理切片分析的信息，并作出诊断和治疗决策，这有助于加快疾病诊断和治疗的过程，提高患者的治疗效果和康复速度。提供科学依据和教育支持：系统可以记录和存储病理切片分析的进度和结果数据，为科学研究和教育提供支持。这些数据可以用于分析和评估疾病的发展趋势和治疗效果，为医学研究和教学提供有价值的参考。

[0108] 本发明提供的实时监督人工智能AI预测病理切片进度的展示系统具有提高效率、准确性和决策速度的优势，有助于改善病理切片分析的质量和效果，为医生和患者提供更好的医疗服务。实现了实时监督：系统可以实时监督AI算法对病理切片的分析进度，并将其展示给医生。这种实时监督可以帮助医生了解分析的进展情况，及时作出决策和调整工作流程。实现了病理切片预测：系统采用人工智能技术对病理切片进行预测分析，可以快速而准确地提供初步的分析结果，可以帮助医生在诊断和治疗决策中提供有用的参考信息。实现了进度展示：系统可以以可视化的方式展示AI算法对病理切片分析的进度，例如进度条或百分比等形式，使医生可以直观地了解分析的进度情况，更好地管理工作流程和时间安排。实现了高效性：系统通过自动化和人工智能技术提高了病理切片分析的效率，加快了诊断和治疗决策的速度。实现了提供决策优势：系统为医生提供病理切片分析的进度，为医学诊断和治疗决策提供先行价值。

[0109] 实施例10：如图10所示，在实施例9的基础上，本发明实施例提供的用户界面的构建过程，包含以下步骤：

[0110] S101：在用户界面编辑器的界面中显示用户界面编辑区域以及模板选择区域，模板选择区域展示有多个模板标识，每一模板标识对应一编译模板的生成信息，用户界面编辑器存储有各用户界面对应的页面文件，页面文件包括模板标识相应的生成信息；

[0111] S102：使用超文本标记语言HTML5创建界面的结构，在结构中添加所需的文本、图像、视频及音频等，使用标签和属性，将文本、图像、视频及音频等嵌入到页面文件中；使用层叠样式表CSS3样式表定义和应用前端界面的样式，样式的属性包含颜色、背景、字体、边框、布局、渐变、阴影、过渡及动画等；完成前端界面的构建；

[0112] S103：在完成前端界面的构建后，在不同的浏览器和设备上测试，完成前端界面的测试后，将超文本标记语言HTML5和层叠样式表CSS3文件上传到后端服务器模块上，以使前端界面在互联网上访问和使用；根据需要将前端界面与数据库集成，实现交互；

[0113] 上述技术方案的工作原理和有益效果为：本实施例首先在用户界面编辑器的界面中显示用户界面编辑区域以及模板选择区域，模板选择区域展示有多个模板标识，每一模板标识对应一编译模板的生成信息，用户界面编辑器存储有各用户界面对应的页面文件，页面文件包括模板标识相应的生成信息；其次使用超文本标记语言HTML5创建界面的结构，在结构中添加所需的文本、图像、视频及音频等，使用标签和属性，将文本、图像、视频及音频等嵌入到页面文件中；使用层叠样式表CSS3样式表定义和应用前端界面的样式，样式的属性包含颜色、背景、字体、边框、布局、渐变、阴影、过渡及动画等；完成前端界面的构建；最后在完成前端界面的构建后，在不同的浏览器和设备上测试，完成前端界面的测试后，将超文本标记语言HTML5和层叠样式表CSS3文件上传到后端服务器模块上，以使前端界面在互联网上访问和使用；根据需要将前端界面与数据库集成，实现交互；上述方案通过使用HTML5和CSS3构建用户界面，实现了一套完整的用户界面编辑和构建流程。具体而言，本实施例的意义包括：提供了一个用户界面编辑器，使用户能够直观地编辑和设计界面。用户可以在编辑器中选择不同的模板，并根据需要进行编辑和修改，从而快速创建符合需求的界面。使用HTML5创建界面的结构，可以方便地添加文本、图像、视频和音频等元素，并通过标签和属性来控制其位置、大小和样式。使用CSS3样式表定义和应用界面的样式，可以实现丰富的样式效果，包括颜色、背景、字体、边框、布局、渐变、阴影、过渡和动画等，从而使界面更加美观和吸引人。完成前端界面的构建后，进行测试和上传，确保界面在不同浏览器和设备上的兼容性和稳定性，以便用户能够通过互联网访问和使用界面。根据需要，可以将前端界面与数据库进行集成，实现数据的交互和动态展示，从而提升用户体验和功能性。

[0114] 本实施例提供了一套高效、灵活和美观的用户界面构建流程，帮助开发人员和设计人员快速创建和部署用户界面，同时满足用户对界面美观性和功能性的需求。

[0115] 实施例11：如图11所示，在实施例9的基础上，本发明实施例提供的处理数据和算法执行的过程，包含以下步骤：

[0116] S201：根据使用的数据库类型，导入相应的数据库库，连接到数据库服务器，传入数据库的主机名、端口号、用户名及密码等信息；通过数据库连接对象，创建一个游标对象，用于执行SQL语句和获取结果；

[0117] S202：使用游标对象的execute方法，执行SQL语句，SQL语句包含查询语句SELECT、插入语句INSERT、更新语句UPDATE或删除语句DELETE等；

[0118] S203：使用编程语言提供的数据结构和算法库，对数据进行操作和计算；如果需要对数据库进行事务处理，使用数据库连接对象的commit和rollback方法，提交或回滚事务；使用数据库连接对象的close方法，关闭与数据库的连接，确保在程序结束时，释放数据库资源；

[0119] 上述技术方案的工作原理和有益效果为：本实施例首先根据使用的数据库类型，导入相应的数据库库，连接到数据库服务器，传入数据库的主机名、端口号、用户名及密码等信息；通过数据库连接对象，创建一个游标对象，用于执行SQL语句和获取结果；其次使用游标对象的execute方法，执行SQL语句，SQL语句包含查询语句SELECT、插入语句INSERT、更新语句UPDATE或删除语句DELETE等；最后使用编程语言提供的数据结构和算法库，对数据进行操作和计算；如果需要对数据库进行事务处理，使用数据库连接对象的commit和rollback方法，提交或回滚事务；使用数据库连接对象的close方法，关闭与数据库的连接，确保在程序结束时，释放数据库资源；上述方案建立一个数据库连接子模块，可以根据使用的数据库类型灵活导入相应的数据库库，并通过传入主机名、端口号、用户名和密码等信息，连接到数据库服务器；通过创建游标对象，可以执行SQL语句并获取结果；可以方便地进行数据库操作，包括查询、插入、更新和删除等。涉及的数据计算子模块，利用编程语言提供的数据结构和算法库对数据库中的数据进行操作和计算；可以使得数据处理更加灵活高效。如果需要对数据库进行事务处理，提供使用数据库连接对象的commit和rollback方法，可以进行事务的提交和回滚，有助于确保数据的一致性和完整性。通过使用数据库连接对象的close方法，可以在程序结束时关闭与数据库的连接，释放数据库资源，避免资源泄漏和性能问题。

[0120] 本实施例提供了一个可靠和高效的数据库操作方案，可以方便地连接和操作数据库，并提供事务处理和资源释放的机制，提升了程序的稳定性和效率。

[0121] 实施例12：如图12所示，在实施例9的基础上，本发明实施例提供的使用人工智能算法对病理切片图像进行预测的过程，包含以下步骤：

[0122] S301：获取病理切片图像数据集和标签数据集，其中标签数据集应包含每个病理切片图像所对应的阶段信息，将病理切片图像数据集划分为训练集和测试集，用深度学习框架的API构建卷积神经网络模型的架构，通过卷积操作在输入病理切片图像上提取特征，通过降采样的方式减小病理切片图像的尺寸，同时保留权重超过阈值的特征，将卷积操作和池化操作输出的特征映射展平，并连接到全连接层，全连接层将特征映射与阶段信息进行关联；

[0123] S302：选择交叉熵损失函数衡量卷积神经网络模型预测结果与真实标签之间的差异，通过随机梯度下降优化器最小化交叉熵损失函数，将卷积神经网络模型架构、交叉熵损失函数和优化器编译在一起，完成卷积神经网络模型的构建；

[0124] S303：将病理切片图像输入到卷积神经网络模型中进行预测，得到每个病理切片图像所属的阶段；根据预测结果，追踪已处理的病理切片数量和总数量，或者追踪已消耗的时间和总预计时间；根据已处理的病理切片数量和总数量的比例，或者已消耗的时间和总预计时间的比例，计算进度；将进度信息输出，通过事件监听器及后端服务器模块方式将数据推送给用户展示；

[0125] 上述技术方案的工作原理和有益效果为：本实施例首先获取病理切片图像数据集和标签数据集，其中标签数据集应包含每个病理切片图像所对应的阶段信息，将病理切片图像数据集划分为训练集和测试集，用深度学习框架的API构建卷积神经网络模型的架构，通过卷积操作在输入病理切片图像上提取特征，通过降采样的方式减小病理切片图像的尺寸，同时保留权重超过阈值的特征，将卷积操作和池化操作输出的特征映射展平，并连接到全连接层，全连接层将特征映射与阶段信息进行关联；其次选择交叉熵损失函数衡量卷积神经网络模型预测结果与真实标签之间的差异，通过随机梯度下降优化器最小化交叉熵损失函数，将卷积神经网络模型架构、损失函数和优化器编译在一起，完成卷积神经网络模型的构建；最后将病理切片图像输入到卷积神经网络模型中进行预测，得到每个病理切片图像所属的阶段；根据预测结果，追踪已处理的病理切片数量和总数量，或者追踪已消耗的时间和总预计时间；根据已处理的病理切片数量和总数量的比例，或者已消耗的时间和总预计时间的比例，计算进度；将进度信息输出，通过事件监听器及后端服务器模块方式将数据推送给用户展示；上述方案构建卷积神经网络模型来处理病理切片图像数据，从而实现对病理切片图像的自动识别和分类。具体意义如下：自动化病理切片图像分类：通过构建卷积神经网络模型，可以自动对病理切片图像进行分类，即将其归类到不同的阶段；有助于医生和研究人员快速准确地了解病理切片图像的特征和状态，提高病理诊断和研究的效率。提取重要特征：卷积操作能够在输入的病理切片图像上提取特征，通过降采样的方式减小图像尺寸，并保留权重超过阈值的重要特征；有助于减少图像数据的维度，并且保留对分类任务有用的特征信息。构建全连接层进行特征关联：通过连接卷积操作和池化操作输出的特征映射到全连接层，可以将特征映射与病理切片图像所对应的阶段信息进行关联；有助于训练模型学习特征与标签之间的关系，提高模型的分类准确性。使用交叉熵损失函数进行模型评估：通过选择交叉熵损失函数衡量模型预测结果与真实标签之间的差异，可以评估模型的性能和准确性。优化器通过最小化交叉熵损失函数，进一步优化模型的参数，提高模型的训练效果。监控和展示处理进度：通过追踪已处理的病理切片数量和总数量的比例，或者已消耗的时间和总预计时间的比例，可以计算处理进度；通过事件监听器和后端服务器模块，将进度信息推送给用户展示，提供实时的处理进度反馈。

[0126] 本实施例自动化和提高病理切片图像的分类和识别效率，减轻医生和研究人员的负担，并提供实时的处理进度监控和展示，有助于促进医学诊断和研究的发展，提高医疗服务的质量和效率。

[0127] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。< / script>

Claims

1. A real-time monitoring artificial intelligence AI prediction slicing progress display system, characterized in that: Include: The front-end interface module is responsible for building a user interface using HTML5 and CSS3 to display progress and results. It uses HTML5 server push event technology to establish a connection between the back-end server module and the browser. When the progress or results change, the back-end server module will push relevant data to the client, and the client will receive and update the displayed progress and results in a timely manner. The backend server module is responsible for writing backend logic using programming languages, receiving user requests, processing data and algorithm execution; interacting with the database to obtain and store data; The prediction execution module is responsible for using artificial intelligence algorithms to predict pathological slice images, inputting pathological slice images into the algorithm, executing different stages, and recording progress. The progress is calculated by tracking the number of slices processed and the total number, or by tracking the time consumed and the total estimated time. At the same time, it stores relevant information about pathological slices, stores the stage information and progress of algorithm execution, and stores the time consumed and the total estimated time.

2. The real-time supervision artificial intelligence AI prediction slicing progress display system as claimed in claim 1 is characterized in that: Front-end interface module, including: The event detection submodule is responsible for the browser to use the application program interface JavaScript to write code and use it in the HTML file <script>标签嵌入JavaScript代码，通过WebSocket建立与后端服务器模块的连接，使用onmessage事件监听服务器发送的消息；当后端服务器模块推送事件发生时，事件监听器被触发；数据处理子模块，负责当事件监听器被触发时，通过事件对象获取后端服务器模块发送的数据，根据数据的格式和内容，对数据进行解析和处理，得到更新进度及展示结果；数据更新子模块，负责当进度或结果发生变化时，后端服务器模块向建立连接的客户端发送相关数据，通过监听服务器推送事件的回调函数，接收到后端服务器模块发送的数据，使用JavaScript的DOM操作方法将数据动态更新到网页的相应元素中。3.如权利要求1所述的实时监督人工智能AI预测切片进度的展示系统，其特征在于，预测执行模块，包含：集合划分子模块，负责获取病理切片图像数据集和标签数据集，其中标签数据集应包含每个病理切片图像所对应的阶段信息；模型构建子模块，负责选择交叉熵损失函数衡量卷积神经网络模型预测结果与真实标签之间的差异，通过随机梯度下降优化器最小化交叉熵损失函数，将卷积神经网络模型架构、交叉熵损失函数和优化器编译在一起，完成卷积神经网络模型的构建；模型处理子模块，负责将病理切片图像输入到卷积神经网络模型中进行预测，得到每个病理切片图像所属的阶段；根据预测结果，追踪已处理的病理切片数量和总数量，或者追踪已消耗的时间和总预计时间。4.如权利要求3所述的实时监督人工智能AI预测切片进度展示系统，其特征在于，模型处理子模块根据已处理的病理切片数量和总数量的比例，或者已消耗的时间和总预计时间的比例，计算进度。5.如权利要求3所述的实时监督人工智能AI预测切片进度展示系统，其特征在于，模型处理子模块将进度信息输出，通过事件监听器及后端服务器模块方式将数据推送给用户展示。6.一种实时监督人工智能AI预测切片进度的展示方法，其特征在于，包含以下步骤：使用超文本标记语言HTML5和层叠样式表CSS3构建的用户界面，用于展示进度和结果；同时使用超文本标记语言HTML5服务器推送事件技术，建立后端服务器模块与浏览器之间的连接；使用编程语言编写后端逻辑，接收用户请求，处理数据和算法执行；与数据库交互以获取和存储数据；使用人工智能算法对病理切片图像进行预测，将病理切片图像输入算法，执行不同的阶段，并记录进度。7.如权利要求6所述的实时监督人工智能AI预测切片进度的展示方法，其特征在于，使用基于对象和事件驱动的脚本语言JavaScript进行交互和动态更新。8.如权利要求6所述的实时监督人工智能AI预测切片进度的展示方法，其特征在于，当进度或结果发生变化时，后端服务器模块会向客户端推送相关数据，客户端接收并及时更新展示的进度和结果。9.如权利要求6所述的实时监督人工智能AI预测切片进度的展示方法，其特征在于，通过追踪已处理的切片数量和总数量计算进度，或者通过追踪已消耗的时间和总预计时间计算进度。10.如权利要求6所述的实时监督人工智能AI预测切片进度的展示方法，其特征在于，使用人工智能算法对病理切片图像进行预测的过程，包含以下步骤：根据预测结果，追踪已处理的病理切片数量和总数量，或者追踪已消耗的时间和总预计时间；将进度信息输出，通过事件监听器及后端服务器模块方式将数据推送给用户展示。< / script>

Images