1.一种精准医疗图像分析方法，其特征在于，包括:

获得病变部位的多张图像，多张图像的拍摄时间连续；

对每张图像进行分区，每张图像对应得到多个区域图像；拍摄时间相邻的图像的多个区域图像一一对应；

将多张图像的位置对应的区域图像按照拍摄时间的先后顺序构建成区域链；每张图像包括多个区域图像，对应得到多条区域链；

将多条区域链同时输入联动分析模型；其中，联动分析模型包括多层联动分析网和一个全适应映射网络，每层联动分析网包括多个联动分析节点，每个联动分析节点之间能够相互影响、相互调节；每相邻的两层联动分析网的联动分析节点一一对应，相互对应的联动分析节点能够相互影响、相互调节；每条区域链中的区域图像与作为输入层的联动分析网中的联动分析节点一一对应；输出层的联动分析网与一个全适应映射网络连接；

针对每条区域链，区域链中的每个区域图像依次经过多层联动分析网中的联动分析节点，由每个联动分析节点对经过的区域图像进行分析处理；根据第一打分、第二打分和第三打分确定所述联动分析节点对经过的区域图像进行分析处理结果的反馈函数；其中，所述第一打分是与所述联动分析节点处在相同层的联动分析网的其他联动分析节点对所述结果的打分；所述第二打分是处在所述联动分析节点的前一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分；所述第三打分是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点对所述结果的打分；联动分析节点通过反馈函数调整所述联动分析节点对区域图像的分析处理的结果；

全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，所述疾病特征包括对所述病变部位预测的疾病类型和严重程度。

2.根据权利要求1所述的方法，其特征在于，所述区域图像仅仅包括一个像素点。

3.根据权利要求1所述的方法，其特征在于，所述第一打分由如下公式确定：其中，a1表示第一打分，n表示与所述联动分析节点处在相同层的联动分析网的其他联动分析节点的数量，di表示第i个其他联动分析节点与所述联动分析节点的距离，Ii表示第i个其他联动分析节点的取值，p指的是所述联动分析节点对经过的区域图像进行分析处理的结果。

4.根据权利要求3所述的方法，其特征在于，当所述区域图像包括多个像素点时，所述的第i个其他联动分析节点的取值等于所述区域图像 中所有像素点的像素值的平均值；当所述区域图像仅仅包括一个像素点时，所述的第i个其他联动分析节点的取值等于所述像素点的像素值。

5.根据权利要求4所述的方法，其特征在于，所述第i个其他联动分析节点与所述联动分析节点的距离di的取值，等于在图像上，两个分别输入所述联动分析节点的区域图像和所述第i个其他联动分析节点的区域图像的距离。

6.根据权利要求5所述的方法，其特征在于，所述第二打分由如下公式确定：其中，a2指的是第二打分，I1指的是所述联动分析节点的输入，也是处在所述联动分析节点的前一层联动分析网且与所述联动分析节点对应的联动分析节点的输出。

7.根据权利要求6所述的方法，其特征在于，所述第三打分由如下公式确定：其中，a3指的第三打分，I2指的是处在所述联动分析节点的后一层联动分析网且与所述联动分析节点对应的联动分析节点的输出。

8.根据权利要求7所述的方法，其特征在于，所述根据第一打分、第二打分和第三打分确定所述联动分析节点对经过的区域图像进行分析处理结果的反馈函数，具体由如下公式确定：其中，f为反馈函数。

9.根据权利要求1所述的方法，其特征在于，所述全适应映射网络根据输出层的联动分析网的联动分析节点的输出值，得到病变部位的疾病特征，包括：获得输出层的所有所述输出值的和以及方差；

获得与所述和匹配的疾病类型；

获得与所述方差匹配的严重程度指数，严重程度指数表示预测的疾病的严重程度。

10.一种机器人手术系统，其特征在于，所述系统包括手术机器人和图像采集装置，所述图像采集装置与所述手术机器人连接；

所述图像采集装置用于拍摄病变部位的多张图像，将所述多张图像发送至手术机器人；

所述手术机器人包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-9任一项所述方法的步骤。