CN103718181A - 指示表型的组合标签的跨模态应用 - Google Patents
指示表型的组合标签的跨模态应用 Download PDFInfo
- Publication number
- CN103718181A CN103718181A CN201280038186.9A CN201280038186A CN103718181A CN 103718181 A CN103718181 A CN 103718181A CN 201280038186 A CN201280038186 A CN 201280038186A CN 103718181 A CN103718181 A CN 103718181A
- Authority
- CN
- China
- Prior art keywords
- data
- mode
- composite label
- type
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002131 composite material Substances 0.000 claims abstract description 117
- 238000000034 method Methods 0.000 claims abstract description 97
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000003384 imaging method Methods 0.000 claims description 40
- 238000001228 spectrum Methods 0.000 claims description 39
- 238000002059 diagnostic imaging Methods 0.000 claims description 33
- 108090000623 proteins and genes Proteins 0.000 claims description 28
- 238000010168 coupling process Methods 0.000 claims description 23
- 238000005859 coupling reaction Methods 0.000 claims description 23
- 206010028980 Neoplasm Diseases 0.000 claims description 21
- 230000008878 coupling Effects 0.000 claims description 21
- 201000011510 cancer Diseases 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 230000007170 pathology Effects 0.000 claims description 11
- 108010033040 Histones Proteins 0.000 claims description 6
- 230000021736 acetylation Effects 0.000 claims description 5
- 238000006640 acetylation reaction Methods 0.000 claims description 5
- 230000026731 phosphorylation Effects 0.000 claims description 5
- 238000006366 phosphorylation reaction Methods 0.000 claims description 5
- 102000004169 proteins and genes Human genes 0.000 claims description 5
- 230000007067 DNA methylation Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 108091027963 non-coding RNA Proteins 0.000 claims description 3
- 102000042567 non-coding RNA Human genes 0.000 claims description 3
- 108020004707 nucleic acids Proteins 0.000 claims description 2
- 102000039446 nucleic acids Human genes 0.000 claims description 2
- 150000007523 nucleic acids Chemical class 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 39
- 238000011160 research Methods 0.000 description 12
- 206010006187 Breast cancer Diseases 0.000 description 10
- 208000026310 Breast neoplasm Diseases 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000001574 biopsy Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000011835 investigation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 101150010487 are gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
Landscapes
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及一种调整表型的复合标签的方法。所述方法包括提供具有至少两种不同数据类型的表型的复合标签的步骤,其分别由测量样本的两种不同模态生成。由于调整表型的标签的一部分,得到的经调整的表型标签能够用作从由测量的第三模态测量的数据中得到的标签评估工具的输入。
Description
技术领域
本发明涉及使用多种数据类型的表型描述。特别地,本发明涉及一种调整表型的复合标签的方法、用于调整表型的复合标签的程序元素以及存储程序元素的计算机可读介质。
背景技术
新的测量技术的出现以及对生物学和致病机理更深刻的认识为将患者样本更好地分成表型组带来了新的方法。除了在生物组织的临床病理学评估中的进步,近年来,高通量分子谱技术提供了对于正常以及患病的样品中的潜在分子和生物过程的独特理解。特别地,分子谱已经使我们能够理解癌症发病和发展的过程以及主要基于个体的分子标签进行个性化治疗的可能的方法。已经对于与临床中典型可用的其他数据类型相关的分子谱做出了调查,这从基本的人口数据、病理学、分子诊断测试以及若干种类型的成像开始。使用分子谱已经在辅助医生和患者做出诊断和治疗决定中取得了一些成功。未来可能对于组合多种(分子及其他的)数据类型会感兴趣。本着这种精神,已经完整地完成了利用成像来完成临床病理学数据和高通量分子谱的初步调查。这种工具将使医生能够使用在发现阶段由其他(互补的)数据类型优化并加强的一种数据类型来解释调查结果。例如,当附加的输入被来自指示具有另外被解释为非侵入性的特性的某些病变被认为是侵入性的临床研究的基因组谱使用时,乳腺病变的MRI读数将具有很好的解释。基因组谱可以包括转录谱(基因和非编码RNA谱)、SNP、CNP、蛋白质组谱、DNA甲基化、组蛋白甲基化和乙酰化以及磷酸化状态。备选地,活检样本的基因组谱与联合的MRI成像的组合可以以高于任意的单独的测量结果的准确度来预测对治疗做出的响应。在特定的范例中,例如,在乳腺癌的新辅助治疗研究中,在三个不同的时间点获得数据:第一时间点在诊断中,例如T=0天,产生MRI图像以及活检的分子谱。第二时间点可以在实行治疗不久之后,例如T=10天,其中产生MRI图像以及活检的分子谱。在手术中的第三时间点,例如T=12周,生成MRI图像以及移除的癌症对象的分子谱。
基于分子谱、成像数据以及临床病理评估,不管在第二时间点是否存在对于在第三时间点的引起缓解的治疗的响应,都建立地面实况。一旦建立地面实况,则选择例如体积的成像特征或者与响应具有最佳相关性的动态特性,其之后能够用于以后的实际操作中,而无需在第二时间点侵入。
然而,在应当做出上文所述的测量时,例如MRI装置的昂贵且笨重的测量装置通常是不可用的。这意味着测量模态最可靠的组合不总是能够通过检查医生进行组合的。
发明内容
可能存在使用描述表型的多种数据类型来提供表型的便利分析的需要。
本发明的目的由独立权利要求的主题来解决,其中,其他实施例和优势被包含在从属权利要求中。
应当注意到,本发明的下面描述的方面也将必要的修改适用于程序元素和计算机可读介质。
根据本发明的范例性实施例,提出一种调整表型的复合标签的方法。所述方法包括提供表型的复合标签的步骤,其中,所述复合标签包括类型A的数据,通过利用测量的第一模态测量样本来生成类型A的数据,并且其中,类型A的数据包括模态特征a1…aq的值。所述复合标签还包括类型B的数据,通过利用测量的第二模态测量样本来生成所述类型B的数据。所述类型B的数据包括模态特征b1…bk的值。所述方法还包括基于特征bi的值之间和表型的特征cj的值之间的确定的相关性来调整特征值bi的步骤,其中特征cj利用数据类型C的第三模态进行测量。因此,bi在b1…bk中。此外,特征cj可以在c1...cl中。进一步地,所述调整导致经调整的复合标签。进一步地,所述方法包括将标签评估工具应用于经调整的复合标签的步骤,其中,所述评估工具从由第三模态测量的数据中得出。
从而,所述调整可以针对相同的样品和/或患者的测量的不同模态来执行,或者能够应用一段时间。
在本发明的上下文中,术语“表型”被用作“临床表型”。这强调了与传统表型的不同。
此外,“表型”未被明确地测量,但是基于样本和/或患者的测量结果得到所述“表型”。术语“表型”可以被看作对样本和/或患者的测量的临床解释。例如,MRI扫描中的结瘤能够被解释为表型良性或恶性肿瘤,但也能够和描述结果(例如5年的生存机会)的表型联系起来。也就是说,临床表型是来自样本的测量结果的抽象表示。因此,在本发明的上下文中,在被测量的对象之间和由这些测量结果组成的标签的解释之间做出区分。
在本发明的上下文中,术语“样本”同时用于样品和/或患者。此外,在本发明的上下文中,术语“样本”应当被理解为由人通过测量模态来检查且因此测量的对象。例如,人类的组织的对象可以被看作“样本”。备选地,根据本发明的措辞,任何类型的癌症对象都可以被看作“样本”。然而,术语“样本”应当被理解为不限定在这些范例中。
也就是说,“表型”可以被看作由表型和环境确定的有机体的可以观察到的特性的定义。“临床表型”可以被看作一组说明,其可以由医生从对样本的测量或临床观察中得出。所述测量或临床观察能够与临床条件或者例如疾病的状况相关联。例如,乳腺癌中的三阴性表型指的是具有ER-PR-和Her2-状况的乳腺癌。随后,能够通过一种或多种测量结果捕获或生成对应于临床表型的模型,所述测量开始于总体患者的特性,诸如年龄和其他合并症、来自例如诊断成像的器官水平到来自例如病理观察的组织水平到来自例如高分辨率序列的分子水平。从多种诊断测量模态得到这些测量结果,每种诊断测量模态提供其自身的一组相关特征,其可以稍后用于创建解释特定临床表型的模型。
“表型”可以被理解为具有某些特性并满足某个标准的样本的种类或分类。例如,表型可以是具有某些特性的乳腺癌的某个类型。这种表型可以称为例如乳腺癌A1型。患者的组织的样品(即,经分析的样本)可以被归类为这种表型,或者可以被归类为另一不同的种类或分类。
也就是说,本方法提供了一种包括多个数据类型的表型的标签。本发明还提供了一种对经测量或经分析的样本的性质的评估或计算。
术语“标签”数据可以包括例如肿瘤的形状加上高度表达的基因。
本发明利用第三模态的现有的“标签评估工具”,并调整已经通过测量的另一模态测量的数据,以这种方式,经调整的复合标签能够与现有的标签评估工具一起使用。尽管标签评估工具对应于第三模态,并且尽管最初通过测量样本的两种其他模态来测量复合标签,可能将现有的标签评估工具应用于经调整的复合标签,并且因此相应地评估可用数据。也就是说,提出的方法可以被看作通过标签评估工具或第三测量模态的模型来计算关于样本或表型的性质的预测结果而无需提供由第三测量模态生成的样本的测量数据的方法。因此,标签评估工具可以被看作机构或某种算法。还可以先前从由第三模态测量的数据并且从由第一模态测量的数据中得到标签评估工具。在该情况下,标签评估工具对应于第一模态和第三模态。例如,标签评估工具可以是用于复合标签的模型,所述标签由第一基因谱数据和第二MRI数据组成。由于本发明,这种已有模型用于由第一基因谱数据和第二超声数据组成的当前测量的复合标签是可能的。
此外,术语“标签评估工具”可以被看作模型或算法,其可以将复合标签作为输入,并且可以以数据形式输出结果。
因此,术语“测量的模态”还可以被看作检查或分析样本的模态。例如,测量的模态可以是样本的超声成像、样本的MRI成像或样本的基因谱。其他测量模态或检测模态也包括在本发明中。而且,在下文中,术语“测量模态”和“测量的模态”用作同义词。
此外,基因组谱可以是测量的模态,其可以包括转录谱(基因和非编码RNA谱)、SNP、CNP、蛋白质组谱、DNA甲基化、组蛋白甲基化和乙酰化以及磷酸化状态。此外,基因谱可以是基因表达谱、拷贝数量多态性谱、单核甘酸多态性谱、DNA甲基化、组蛋白甲基化谱、组蛋白乙酰化谱、蛋白质组谱、磷酸化状态谱等。
在本发明的上下文中,术语“确定特征bi的值之间的相关性……”与术语“将一种模态的特征与另一模态的特征进行映射”作为同义词来使用。
此外,术语“确定”包括利用将在下文做出描述的校正因子。同样,术语“调整”包括通过应用或乘以校正因子来调整。
因此,本方法可以被看作用于转换表型的复合标签并以标签评估工具或第三测量模态的模型能够被应用于经调整的标签表型方式对表型的复合标签进行调整的方法,其导致了关于经测量的样本的表型的预测结果。
从而,本发明使用多种数据类型利用表型描述的优势。特别地,所述方法可以被看作传递方法,其中,测量的第三模态的调查结果现在用于由测量的第二模态已经生成的数据,所述调查结果已经被集成在第三模态的标签评估工具中。
此外,提出的方法还可以包括通过第二测量模态测量类型B的数据的步骤。提出的对基于预定的相关性的特征bi的值的调整还可以针对多个特征b做出。
提出的方法将部分或整个标签能够从一种数据类型(对应于一种模态)转换到具有最小信息丢失的或多或少相关的模态。给定组成对应于经测量的样本的表型的分子谱的两种不同测量模态的两种或更多种数据类型,用于测量表型的第二模态与第三模态之间的映射选择最好使用第二模态中的哪个特征。测量的第一模态和第三模态先前用于生成标签评估工具,其可以被看作例如数值模型。例如,可以基于第一基因谱数据和第二MRI数据先前已经生成标签评估工具或模型。如果患者的检查中只有作为测量的第一模态和第二模态的活检和超声测量对于医生来讲可用,则本发明使医生能够使用已经生成的模型,而且不会从该患者(即,从目前需要被检查的表型)生成MRI数据。另外,优化算法可以确定如何将这些特征转换第三模态,即,针对先前描述的范例的MRI模态。接着,新的复合标签可以与由第三模态测量的特征的值一起输出。基于这种算法和转换,得到更普遍的转换,以将映射外推到程序和表型,其中在复合标签的开发过程中未采集第三模态的数据(例如成像数据)。
使用该方法,来自研究的调查结果具有探索测量结果的资源,在很大程度上能够被延伸至不能受益于临床知识和工具的患者和医生的群体。例如,使用协调的MRI成像和活检样品基因谱来开发乳腺癌成像标记。基于活检的分子谱,可以选择成像特征的最佳集合来辅助放射科医生评估病变。然而,该工具如在最初研究中可能只与相同数据类型的输入一起使用。本发明使医生能够应用临床知识,而不受可用的模态(测量技术)的限制,甚至使用附加模态,以进一步阐明调查结果,并继续进行最佳临床步骤。也就是说,本发明利用已有的标签评估工具,基于第三测量模态的数据从相对长期的研究中已经生成所述已有的标签评估工具。
此外,本发明的主旨可以被看作为提供减少临床步骤的仪表化需要的能力,同时保留了复杂测试的益处。例如,可以使用分子和成像数据类型,而且当然还能够以类似的方式借助于本发明使用其他测量。
如果期望或需要,可以调整已有的标签评估工具或模型,以便将工具的适用性改进为第二测量模态。这将关于附图的描述中的范例做出解释。也就是说,根据该范例性实施例,所述方法还包括在将所述方法应用于经调整的复合标签之前调整标签评估工具的步骤。
根据本发明的其他范例性实施例,所述方法还包括确定b1…bk中的特征bi的值之间和模态特征cj的值之间的相关性的步骤,其中,索引的特征“c”表示利用第三模态测量的特征。如能够从下文范例性地得到的,校正因子可以用于将特征bi的值映射到模态特征cj的值。一个或多个校正因子描述了利用第二模态测量的特征的值如何与利用第三模态测量的特征相关。例如,校正因子可以描述利用超声成像装置测量的癌症对象的特征或值如何与当利用MRI装置测量癌症对象时的特征或特征的值相关。这种确定的相关性可能通过本发明针对多个特征bi和多个特征cj来定义。这些相关性可以是映射矩阵的条目,其将在后面做出描述。
因此,调整特征bi的值的步骤可以被看作将校正因子应用于特征bi的值。例如,可以使用乘法,但本发明也应当包括其他计算方法。
根据其他范例性实施例,相关性定义利用第二模态测量的模态特征b1…bk的值如何与利用第三模态测量的模态特征cj的值匹配或相关。也就是说,所述相关性定义第二模态的特征b1...bk的值如何与第三模态的特征cj的值匹配或相关。
应当注意到,为了执行本发明,不必通过测量的第三模态来测量样本。在执行或应用本发明之前,可以由用户或由计算机程序构成、定义、确定或规定上文所述的相关性。在发现这种相关性之后,开始调整表型的复合标签的方法。如果需要,该相关性的确定还能够是该方法的步骤。
也就是说,当利用不同的测量模态测量样本或表型的特征时,该范例性实施例利用了样本或表型的特征之间的先前定义的相关性。
根据其他范例性实施例,测量的第二模态是第一医学成像方法,并且测量的第三模态是第二医学成像方法。例如,表型的复合标签可以包括基因谱过程的数据,并且可以包括表型的超声图像的数据。在该情况下,基因谱是测量的第一模态,其中,超声成像是测量的第二模态,并且是第一医学成像方法。本发明现在使用户能够以这种方式调整表型的该复合标签,生成以评估MRI图像的数据的标签评估工具(例如,数值模型)也能够用于评估表型的该经调整的复合标签。尽管没有为该特定的表型生成MRI图像,这是可能的。因此,在该情况下,根据该范例性实施例,测量的第三模态将被看成作为第二医学成像方法的MRI成像。
根据本发明的另一范例性实施例,所述方法包括基于将标签评估工具应用于经调整的复合标签来计算关于表型的性质的结果的步骤。
例如,如果被测量或被检查的表型是癌症的对象,则复发风险的类型可以由本方法进行计算。该计算可以通过例如第三模态的标签评估工具来完成。然而,如果需要,结果还可以单独进行计算。
根据另一范例性实施例,执行针对若干个特征b1…bk关于若干个特征cj的相关性的确定。所述方法还包括从b1…bk中选择特征的步骤,其确定的相关性指示与特征cj的匹配,所述匹配超过预定义的阈值。这可以被看作转换的步骤。
测量的第二模态和第三模态可以是类似的类型,例如,它们可以是两种成像模态。特征之间的“匹配”可以通过权重(例如,值从0到1)来表征,以标志两个特征之间的匹配的强度。例如,在MRI和超声读数中的表型的直径将具有强匹配(例如1.0),而特定的一对纹理评估工具将具有较弱的匹配(例如0.3)。
根据其他范例性实施例,提供具有矩阵元素bcij的映射矩阵并以矢量的形式提供表型的复合标签的步骤。
所述矩阵元素bcij分别指示特征bi与cj的值之间的确定的相关性。这种矩阵可以完全描述关于先前提出的实施例描述的匹配。该描述可以利用0.0与1.0之间的值。因此,0.0将标志那两个特征彼此不对应,而1.0将标志完美或完全匹配。例如,这可以应用于各种基于对比度和非对比度的成像模态,包括功能性成像。然而,由于这只是一个实施例,并且当然存在用于在两种模态之间映射的其他模型,这从上文和下文的描述中将是显而易见的,该范例性实施例不限制本发明的范围。
根据其他范例性实施例,类型A的数据是基因临床病理数据。所述方法还包括在实施所述方法期间保持临床病理数据不变的步骤。例如,临床病理数据能够是基因谱数据。
也就是说,表型的复合标签仅通过本发明的该范例性实施例进行部分调整。表示基因谱信息的数据的一部分在施行和执行所述方法期间保持恒定,而由测量的第二模态生成的标签的数据部分(例如成像方法)如权利要求书中所定义的进行调整。因此,在第二与第三模态之间仅映射和/或转换复合标签的一部分。根据该范例性实施例,仅在类型B的数据组中执行对利用第二模态测量的特征的调整和对最好使用哪些特征的选择。
根据另一范例性实施例,表型是癌症对象,并且所述方法包括通过将标签评估工具应用于癌症对象的经调整的复合标签来计算癌症对象的复发风险的步骤。
也就是说,当测量的第三模态的已有的标签评估工具(例如模型)应用于当前分析的样本的经调整的复合标签时,通过使用测量的第三模态的已有的标签评估工具(例如模型)来计算复发风险。例如,使用协同MRI成像和活检样品基因谱来开发乳腺癌成像标记。也就是说,乳腺癌成像标记将被看作模型。更确切来说,所述模型是基于以下两种模态的标记:协同MRI成像和活检样品基因谱。如果医生现在只能够产生例如超声成像数据,则本发明使医生能够将样本的分子谱和超声成像标签用作基于MRI成像的已有的评估模型的输入。因此,MRI成像在该情况下对应于第三测量模态。已有的乳腺癌成像标记可以如初始研究中只与相同数据类型的输入一起使用。本发明使医生能够应用临床知识,而不限制可用的模态,甚至使用附加的模态,以进一步阐明调查结果并继续进行最佳的临床步骤。具体地,尽管在该特定的情况下从被分析的表型中未生成MRI图像或数据,调整表型的标签的本方法以其能够用于上述MRI工具的方式来调整标签的类型B数据。
根据本发明的另一范例性实施例,提出一种用于调整表型的复合标签的医学成像装置,其中,所述医学成像装置包括适于接收通过利用测量的第一模态来测量样本而生成的类型A的数据的接收部分。所述医学成像装置还包括适于通过利用测量的第二模态来测量样本而生成类型B的数据的成像设备,其中,医学成像装置被配置为生成表型的复合标签。因此,所述复合标签包括类型A和类型B的数据,其中,类型A的数据包括模态特征a1...aq的值,其中,类型B的数据包括模态特征b1...bk的值。此外,所述医学成像装置被配置为当利用第三模态进行测量时,基于特征bi的值之间和特征cj的值之间的预定的相关性来调整特征bi的值,其中,特征bi在b1..bk中。所述医学成像装置还被配置为生成经调整的复合标签,其中,所述医学成像装置被配置为将标签评估工具应用于经调整的复合标签,并且其中,从由第三模态测量的数据中得到所述评估工具。
例如,医学成像装置可以包括计算机程序元素,其可能在该医学成像装置上执行调整表型的复合标签的上述方法。
根据另一范例性实施例,提出一种用于调整表型的复合标签的程序元素,在由处理器执行所述程序元素时适于实施以下步骤:以数据形式接收表型的复合标签,基于由第三模态测量的特征bi的值与特征cj的值之间的确定的相关性来调整b1..bk中的特征bi的值,以及将标签评估工具应用于经调整的复合标签,其中,所述复合标签包括由测量样本的第一模态生成的类型A的数据。此外,类型A的数据包括模态特征a1…aq的值,并且复合标签包括由测量样本的第二模态生成的类型B的数据。此外,类型B的数据包括模态特征的值b1…bk,并且所述调整导致经调整的复合标签。此外,从由第三模态先前测量的数据中得到评估工具。
所述计算机程序元素可以是计算机程序的一部分,但其本身也能够是整个程序。例如,计算机程序元素可以用于更新已有的计算机程序,以得到本发明。
根据另一范例性实施例,一种计算机可读介质,其中存储用于调整表型的复合标签的程序元素,当由处理器执行所述程序元素时,其适于执行以下步骤:以数据形式接收表型的复合标签,基于由第三模态测量的特征bi的值与特征cj的值之间的确定的相关性来调整b1…bk中的特征bi的值,以及将标签评估工具应用于经调整的复合标签,其中,所述复合标签包括由测量样本的第一模态生成的类型A的数据。此外,类型A的数据包括模态特征a1…aq的值,并且复合标签包括由测量样本的第二模态生成的类型B的数据。此外,类型B的数据包括模态特征b1…bk的值,并且所述调整导致经调整的复合标签。此外,从由第三模态先前测量的数据中得到评估工具。
提供一种使医生能够将基于第三测量模态的测量结果的标签评估工具(例如模型)用于表型的复合标签(所述表型的复合标签不包括由第三测量模态生成的数据)的方法可以被看作本发明的主旨。这可以通过部分地调整类型B的数据并且从而使用利用第二模态和第三模态进行测量时样本的特征之间的相关性来完成。
通过参考下面描述的实施例,本发明这些和其他特征将是显而易见的并且将得到说明。
附图说明
本发明的范例性实施例将在以下附图中做出描述。
图1至3是示意性地示出根据本发明的范例性实施例调整表型的复合标签的方法的流程图。
图4示意性地示出了MRI特征到如在根据本发明的范例性实施例的方法中使用的超声特征的映射矩阵。
图5示意性地示出了根据本发明的范例性实施例对表型的复合标签的调整。
图6示意性地示出了根据本发明的不同的范例性实施例的医学成像装置、计算机系统和程序元素。
具体实施方式
一般来说,复合标签由数据类型A和数据类型B的信息组成。已经选择并优化这些数据类型(来自A的ai和来自B的bj)中的特征,以允许归类为不同的表型。之后,这种复合标签可以被表示为S=<a1…aq,b1…bk>。如果数据类型B需要被转换为数据类型C的测量的模态,则可以应用以下措施。这样做需要两个关键步骤。第一,可以在模态B和模态C之间选择B类型特征的子集。随后,转换T可以应用于该子集或者应用于经修改的标签,其中,A类型特征以C类型特征的子集表示:S’=<c1…cr>或者S’=<a1…aq,c1…cr>。也就是说,在执行根据本发明的所述范例性实施例的方法期间将类型A的数据保持恒定。有意思的其中一个情况是,当C=B时,也就是说,我们将从数据类型B输入中得到最强的特征,并且去除具有信息量较少的那些特征。
通常在临床研究中获得数据,从所述数据中得到标签,在所述研究中,在一段时间内系统地跟踪多个参与者,以建立相关表型的描述。例如,在若干年内跟踪200个新诊断的乳腺癌患者,以得到癌症的复发。可以利用初始成像研究(例如MRI)和活检样品记录每个患者。基于此,临床病理数据以及分子谱数据可用于每个患者。从后续的数据中能够得到临床表型(例,患有复发癌症的患者以及诊断之后五年没有癌症复发的患者)。成像特征、临床病理数据以及基因组数据之后用于得到标签评估工具,例如基于所有可用的特征或所有可用的特征的子集来预测表型的性质的数值模型。在一个简单的范例中,你可以对由两个成像特征和三个基因的表达水平组成的标签进行成像:S=<G1,G2,G3,I1,I2>。标签评估工具的范例或模型如下:标签评估工具或模型将结果O定义为O=G+I。如果一个或多个基因被表达为超过相同的阈值,则G=1,否则G=0。此外,如果I1和I2都超过相同的设置阈值,则I=1,否则I=0。例如,如果I1是结瘤的直径,则1cm是阈值的一个范例,并且I2经由信号增加来表征对比洗涤率。类似地,70%是针对I2的阈值的范例。之后,得到的模型说明:O=2是高复发风险、O=1是中等复发风险并且O=0是低复发风险。之后,模型被设置为以某准确度例如98%来预测输出。
在两种测量模态之间映射表型的特征的步骤可以被描述如下:通过用于分析数据(例如图像中的直径、体积或纹理)的工具来确定从每种方式可得到的特征。此外,例如,通过权重(例如从0到1)来表征特征之间的“匹配”,以标志两个特征之间的匹配的强度。在另一范例中,通过成像,直径和MRI以及超声读数将具有强匹配(例如1.0),而特定的一对纹理评估工具将具有较弱的匹配(例如0.3)。在上述和随后描述的一个实施例中,具有元素bcij的矩阵能够完全描述该匹配。例如,该方法可能应用于各种基于对比和非对比的成像模态,其包括功能性成像。
为了转换复合标签,本发明利用特征在测量的第二模态和第三模态之间的映射。例如,在图4中,表格示出了MRI特征如何映射到超声特征。因此,图4示出了具有包括若干个模态特征403、404和405的超声列401的表格400,其中,超声是测量模态。此外,在表格400中包括MRI行402,其中,包括若干个模态特征406、407和408。MRI是测量模态。在各个列和行中的条目409指示并表示对应的特征之间的匹配的强度。因此,超声成像和MRI成像对应于根据本发明的第二模态和第三模态。超声测量结果可以提供一些类似的成像特征,例如直径和体积,而且也提供不是利用MRI直接测量的其他特征。这里,多普勒超声测量运送血流量的肿瘤区域的部分。现在,经调整的复合表型标签基于G1、G2、G3、I’1和I’2,其中,I’1可以是直径(与MRI相同的阈值),并且I’2可以是由超声测量的血管(例如阈值为3%)。
在其他转换步骤中,例如从来自上述表格的例如>0.2的阈值中简单地选择一个或多个特征cj。还可能在bcij矩阵中提出上述表格。
如果需要,可以重复获得原始复合标签所凭借的过程。而且可以使用匹配表型的训练样品。
最后,为了获得新的标签评估工具或新的模型O’,我们首先建立新的经调整的标签S’。映射M将MRI直径映射到超声直径,并且将MRI内洗映射到血管系统。之后,转换T将如以前一样(G’=G)利用G1、G2和G3。之后,当I’1和I’2都超过其阈值时,I’1和I’2用于获得I’。也就是说,O’=G’+I’=G+I’。也就是说,根据该范例性实施例,所述方法还包括在将标签评估工具应用于经调整的复合标签之前调整标签评估工具的步骤。
图1示出了根据本发明的范例性实施例调整表型的复合标签的方法。在第一个步骤S1中,提供表型的复合标签,其中,复合标签包括类型A的数据,通过利用测量的第一模态测量样本生成类型A的数据。因此,类型A的数据包括模态特征a1…aq的值。此外,复合标签包括类型B的数据,通过测量具有第二测量模态的样本生成类型B的数据。类型B的数据包括模态特征b1…bk的值。此外,在图1中示出第二步骤S2,当利用第三模态进行测量时,其基于特征bi的值之间和特征cj的值之间的先前确定的相关性来调整特征bi的值。因此,所述调整导致经调整的复合标签。另外,在图1中示出第三步骤S3,其将标签评估工具应用于经调整的复合标签,其中,从由第三模态测量的数据中得到评估工具。利用该方法,具有在很大程度上探索测量结果的资源的研究的调查结果能够被扩展到不能从该临床知识和工具受益的患者和医生的群体。
本发明的可能的应用是临床诊断设置,其中,通常采集多个数据类型。在范例中,描述了医学成像方法和成像数据类型,而且也描述了当执行本发明的方法时能够确定地一起使用的其他测量。本发明的优势是能够降低临床步骤的仪器要求,而同时保留表型的诡辩性测试的益处。例如,使用标签,其中,通过便宜且便携的测序技术生成类型A的数据。然而,如果其中MRI不可用(例如在远程区域提供的保健、承担不起设备)并且超声图像用于将成像数据提供给复合标签,则由于本发明可以使用已经基于MRI图片生成的评估工具。为了受益于这种期望的灵活性,本发明教导相应地调整复合标签的特征b1的值,并且还教导应用已有的标签评估工具来调整复合标签。如果需要,还可以相应地调整例如在对MRI图片的研究中生成的标签评估工具,以便优化针对包括超声数据的本复合标签的工具。
如本发明的应用的另一实施例,描述了以下状况:已有的评估工具是基于MRI图像和分子测序的。如果测序不可用(例如执行整个基因组测序不实际),则得到类似信息的更简单且更便宜的测试是理想的。在已经执行这种更简单且更便宜的测试之后,表型的整个复合标签可以如关于独立权利要求1所述的进行调整,并且此外,标签评估工具可以适用于经调整的复合标签。
图2示出了根据本发明的实施例调整表型的复合标签的方法的另一流程图。在步骤S0期间,通过利用测量的第一模态和第二模态测量样本来生成类型A的数据和类型B的数据。在步骤S1中示出提供表型的复合标签的步骤。利用步骤S4示出,当利用第三模态进行测量时,确定b1…bk中的特征bi的值之间和特征cj的值之间的相关性的步骤。此外,由所述方法执行基于先前确定的相关性来调整特征bi的值的步骤,并在图2中由S2示出。由步骤S2描绘的所述调整导致经调整的复合标签,其在上文说明中被定义为S’。能够被看作模型的标签评估工具应用于经调整的复合标签,该步骤由S3示出。因此,从由第三模态测量的数据中得到评估工具。也就是说,标签包括第一模态和第二模态的数据,但尽管第三模态没有用在本发明的该范例性实施例中,从测量的第三模态的数据中得到的标签评估工具也能够用于表型的这种标签。此外,示出了步骤S5,其表示基于将标签评估工具应用于经调整的复合标签来计算关于表型的性质的结果的步骤。因此,特别是如果发生癌症诊断,本发明可以实现降低临床步骤的仪器要求的能力,而同时保留关于或对于表型的复杂测试的益处。
图3示出了根据本发明的实施例调整表型的复合标签的方法的另一流程图。在第一步骤S1中,提供表型的复合标签。在该实施例中,以矢量的形式提供所述标签,其由S8示出。步骤S4描述如关于图2已经解释的确定或定义相关性。S8描述从b1…bk中选择特征,其确定的相关性指示与特征cj的匹配,所述匹配超过预定义的阈值,并且因此匹配强度足够大。步骤S6可能是上述转换的步骤的一部分,这也将在下文做出描述。
在图3中,示出的图包括由S7表示的提供具有矩阵元素bcij的映射矩阵的步骤。通过映射矩阵,执行基于矩阵的条目的对特征bi的值的调整,这在图3中由步骤S2示出。这导致了经调整的复合标签。步骤S3描述将标签评估工具应用于经调整的复合标签,其中,从由第三模态测量的数据中得到评估工具。如果需要,可以计算关于表型的性质的结果,所述计算基于将标签评估工具应用于经调整的复合标签,并且这在图3中由步骤S5示出。示出的图3的流程图可以应用于使用多个数据类型的表型描述。例如,步骤S1中提供的原始复合标签可以包括通过基因谱方法生成的数据类型A和通过医学成像方法生成的数据类型B。然而,其他组合也是可能的。在图3中,步骤S9描述在所述方法期间基因谱数据保持不变的步骤。也就是说,根据本发明调整、映射和/或转换包括成像方法的数据的复合标签的仅一部分。由于复合标签中恒定且不变的基因谱数据,标签评估工具的应用的输出是可靠的。
此外,图3的实施例描述了检查的表型是癌症的方法。步骤S10描述通过将标签评估工具应用于经调整的复合标签来计算癌症的复发风险。如前文所述,标签评估工具可以被配置为计算癌症的复发风险的水平。所述计算的范例性输出可以是针对高复发风险的O=2、针对中等复发风险的O=1以及针对低复发风险的O=0。但是其他水平也是可能的。
图4示出了表格400,在所述表格400中加入映射条目409登记,其表示或描述由超声401测量时的特征与利用MRI402测量时的特征之间的相关性。关于表格400的其他细节已经在前面做出了解释。
图5示出了调整步骤500,其可以是本发明的范例性实施例的一部分。在开始时,示出S501,其包括由502描绘的类型A的数据以及由503描绘的类型B的数据。在根据该范例性实施例调整复合标签的方法期间,仅调整类型B的数据。例如,类型A的数据可以是分子谱数据。类型B的数据可以例如是由测量的第二模态(例如医学成像方法)生成的数据。通过映射步骤504,当利用第三模态C测量样本时,确定b1…bk中的特征bi的值之间和模态特征cj的值之间的相关性。例如,这可以通过映射矩阵来完成,所述映射矩阵例如可以由图4中示出的表格来表示。可以通过权重来表征特征之间的匹配,以便标志两个特征之间的匹配的强度。因此,作为模态B的测量的第二模态503通过映射元素M504被映射到测量的第三模态C。所述模态映射由505示出。此外,选择已经通过映射进行加权的B类型特征的转换,并且在由参考标记507图示的经调整的复合标签S’中形成类型C的数据508。类型A的数据502可以在该过程中保持不变。
图6示意性地示出了计算机系统101,其包括用于调整表型的复合标签的程序元素100。当由处理器执行程序元素100时,该程序元素100适于执行先前描述的方法步骤。此外,示出了计算机系统101中的处理器102。此外,图6中描绘了计算机可读介质103,其中存储用于调整表型的复合标签的程序元素100。该程序元素100能够是计算机程序元素,并且还可以由多个处理器来执行。如果程序元素被存储在与例如医学成像装置交互或通信的计算机系统上,则可以是这种情况。所述程序元素还可以被存储在医学成像装置上,其中,之后可以指示所述医学成像装置来执行之先前描述的方法步骤。医学装置105可以包括传感器106,以便在执行表型104的测量或检查时生成类型B的数据。此外,所述医学成像装置包括接收部分,以便接收第一模态的数据A,例如基因谱数据。在计算机系统101与医学成像装置105之间示出通信线路107。因此,医学成像装置105可以适于执行例如关于图1、图2和/或图3描述的方法。所述医学成像装置可以被配置为在已经由标签评估工具评估表型的经调整的复合标签之后生成单独的输出。备选地或额外地,医学成像装置105可以被配置为基于应用标签评估工具之后的输出来确定表型是否为癌症。
应当注意到,参考不同的主题来描述本发明的范例性实施例。特别地,参考装置类型权利要求来描述一些范例性实施例,而参考方法类型的权利要求来描述其他范例性实施例。然而,除非另外指明,本领域技术人员将从上文和下文的描述中总结出:除了属于一类主题的特征的任何组合之外,涉及不同主题的特征之间,特别是装置类型权利要求的特征与方法类型权利要求的特征之间的任何组合都被认为随着本发明被公开。然而,所有的特征都能够被组合,提供比特征的简单相加更多的协同效应。尽管已经在附图和前述描述中详细图示和描述了本发明,但是这种图示和描述应当被认为是说明性或范例性的,而非限制性的。本发明不限于所公开的实施例。通过研究附图、说明书以及所附的权利要求书,实践主张的本发明的本领域技术人员能够理解和做出对于所公开的实施例的其他变化。在权利要求书中,“包括”一词不排除其他元素或步骤,并且不定冠词“一”或“一个”不排除多个。单个的处理器或其他单元可以实现权利要求书中引用的若干项的功能。有些手段记载在相互不同的从属权利要求中,这一事实并不表示不能用这些手段的组合来获益。权利要求书中的任何参考符号不应当被解释为限制保护的范围。
Claims (15)
1.一种调整从样本的测量结果中得到的表型的复合标签的方法,所述方法包括以下步骤:
提供表型的复合标签(S1),
其中,所述复合标签包括类型A的数据,通过利用测量的第一模态测量所述样本生成所述类型A的数据,
其中,所述类型A的数据包括模态特征a1...aq中的至少一个值,
其中,所述复合标签包括类型B的数据,通过利用测量的第二模态测量所述样本生成所述类型B的数据,
其中,所述类型B的数据包括至少一个模态特征b1...bk的值,
当利用测量的第三模态进行测量时,基于模态特征bi的值之间和模态特征cj的值之间的确定的相关性来调整所述特征bi的所述值(S2),
其中,特征bi在b1...bk中,
其中,所述调整导致所述表型的经调整的复合标签,以及
将标签评估工具应用于所述经调整的复合标签(S3),
其中,从由所述第三模态测量的数据中得到所述标签评估工具。
2.根据权利要求1所述的方法,还包括以下步骤:
当利用测量所述样本的第三模态进行测量时,确定模态特征bi的所述值之间和模态特征cj的所述值之间的所述相关性(S4)。
3.根据权利要求1或2所述的方法,
其中,所述相关性定义所述第二模态的特征b1..bk的值如何与所述第三模态的模态特征cj的值匹配或相关,其中,cj在c1…cn中。
4.根据前述权利要求中的一项所述的方法,
其中,测量的所述第二模态是第一医学成像方法,并且
其中,测量的所述第三模态是第二医学成像方法。
5.根据前述权利要求中的一项所述的方法,
其中,测量的所述第二模态和测量的所述第三模态独立选自包括以下的群组中:超声成像、多普勒超声成像、X-射线成像、MRI、PET、PAM(FTG)、BSGI、转录谱、基因和/或非编码RNA谱、SNP、CNP、蛋白质组谱、DNA甲基化、组蛋白甲基化谱、乙酰化、磷酸化状态、基因表达谱、拷贝数量多态性谱、单核甘酸多态性谱、组蛋白乙酰化谱、蛋白质组谱、磷酸化状态谱及其任何组合。
6.根据前述权利要求中的一项所述的方法,
还包括以下步骤:
基于所述的将所述表型评估工具应用于所述经调整的复合标签来计算关于所述表型的性质的结果(S5)。
7.根据前述权利要求中的一项所述的方法,
其中,针对关于c1…cn中的至少一个特征的若干特征b1...bk执行所述相关性的所述确定,
所述方法还包括以下步骤:
从b1..bk中选择所述特征,其确定的相关性指示与c1…cn中的至少一个特征的匹配,其中,所述匹配超过预定阈值(S6)。
8.根据前述权利要求中的一项所述的方法,
还包括以下步骤:
提供具有矩阵元素bcij的映射矩阵(S7),
以矢量形式提供表型的所述复合标签(S8),并且
其中,所述矩阵元素bcij分别指示特征bi与cj的所述值之间的所述确定的相关性。
9.根据前述权利要求中的一项所述的方法,
其中,所述第一模态是获得临床病理数据的方法。
10.根据权利要求9所述的方法,
其中,所述类型A的数据是临床病理数据,
还包括以下步骤:
在所述方法期间,保持所述临床病理数据不变(S9)。
11.根据前述权利要求中的一项所述的方法,其中所述表型是癌症,还包括以下步骤:
通过将所述标签评估工具应用于所述经调整的复合标签来计算所述癌症的复发风险(S10)。
12.根据前述权利要求中的一项所述的方法,
其中,所述复合标签包括由测量所述样本的至少两种不同模态生成的数据,所述方法使所述复合标签能够用于从由所述第三模态测量的数据中得到的标签评估工具。
13.一种用于调整从样本的测量结果中得到的表型的复合标签的医学成像装置(105),其中,所述医学成像装置包括:
接收部分(108),其适于接收通过利用测量的第一模态测量所述样本生成的类型A的数据;
成像装置(106),其适于通过利用测量的第二模态测量所述样本生成类型B的数据,
其中,所述医学成像装置被配置为生成所述表型的复合标签,
其中,所述复合标签包括类型A的数据和类型B的数据,
其中,所述类型A的数据包括模态特征a1...aq的值,
其中,所述类型B的数据包括模态特征b1...bk的值,
其中,所述医学成像装置被配置为当利用第三模态进行测量时,基于特征bi的所述值之间和特征cj的所述值之间的确定的相关性来调整所述特征bi的所述值,
其中,特征bi在b1..bk中,
其中,所述医学成像装置被配置为生成经调整的复合标签,
其中,所述医学成像装置被配置为将标签评估工具应用于所述经调整的复合标签,并且
其中,从由所述第三模态测量的数据中得到所述标签评估工具。
14.一种用于调整从样本的测量结果中得到的表型的复合标签的程序元素(100),其中,在由处理器(102)执行所述程序元素时,所述程序元素适于执行:
以数据形式接收表型的复合标签,
其中,所述复合标签包括类型A的数据,由测量所述样本的第一模态生成类型A的数据,
其中,所述类型A的数据包括模态特征a1...aq的值,
其中,所述复合标签包括类型B的数据,由测量所述样本的第二模态生成所述类型B的数据,
其中,所述类型B的数据包括模态特征b1...bk的值,
当由第三模态进行测量时,基于特征bi的所述值和特征cj的所述值之间的确定的相关性来调整在b1..bk中的所述特征bi的所述值,
其中,所述调整导致经调整的复合标签,
将标签评估工具应用于所述经调整的复合标签,并且
其中,从由所述第三模态测量的数据中得到所述标签评估工具。
15.一种计算机可读介质(103),其中存储用于调整从样本的测量结果中得到的表型的复合标签的程序元素(100),在由处理器(102)执行所述程序元素时,所述程序元素适于执行:
以数据形式接收表型的复合标签,
其中,所述复合标签包括类型A的数据,由测量所述样本的第一模态生成所述类型A的数据,
其中,所述类型A的数据包括模态特征a1...aq的值,
其中,所述复合标签包括类型B的数据,由测量所述样本的第二模态生成所述类型B的数据,
其中,所述类型B的数据包括模态特征b1...bk的值,
当由第三模态进行测量时,基于特征bi的所述值和特征cj的所述值之间的确定的相关性来调整在b1..bk中的所述特征bi的所述值,
其中,所述调整导致经调整的复合标签,
将标签评估工具应用于所述经调整的复合标签,并且
其中,从由所述第三模态测量的数据中得到所述标签评估工具。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161493563P | 2011-06-06 | 2011-06-06 | |
US61/493,563 | 2011-06-06 | ||
PCT/IB2012/052551 WO2012168810A2 (en) | 2011-06-06 | 2012-05-22 | Cross-modal application of combination signatures indicative of a phenotype |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103718181A true CN103718181A (zh) | 2014-04-09 |
CN103718181B CN103718181B (zh) | 2016-12-28 |
Family
ID=46321181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280038186.9A Expired - Fee Related CN103718181B (zh) | 2011-06-06 | 2012-05-22 | 指示表型的组合标签的跨模态应用 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20140107936A1 (zh) |
EP (1) | EP2718865A2 (zh) |
JP (1) | JP6047558B2 (zh) |
CN (1) | CN103718181B (zh) |
BR (1) | BR112013031048A2 (zh) |
MX (1) | MX2013014196A (zh) |
WO (1) | WO2012168810A2 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3164079B1 (en) * | 2014-07-02 | 2022-12-28 | Koninklijke Philips N.V. | Lesion signature to characterize pathology for specific subject |
AU2018327221A1 (en) * | 2017-11-13 | 2019-05-30 | The Multiple Myeloma Research Foundation, Inc. | Integrated, molecular, omics, immunotherapy, metabolic, epigenetic, and clinical database |
WO2020257046A1 (en) * | 2019-06-21 | 2020-12-24 | West Virginia University | Cardiac ultrasonic fingerprinting: an approach for highthroughput myocardial feature phenotyping |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060034508A1 (en) * | 2004-06-07 | 2006-02-16 | Zhou Xiang S | Computer system and method for medical assistance with imaging and genetics information fusion |
WO2007019504A2 (en) * | 2005-08-05 | 2007-02-15 | Siemens Medical Solutions Usa, Inc. | System and method for integrating heterogeneous biomedical information |
WO2009083837A1 (en) * | 2007-12-21 | 2009-07-09 | Koninklijke Philips Electronics, N.V. | Method and system for cross-modality case-based computer-aided diagnosis |
CN102084366A (zh) * | 2008-05-12 | 2011-06-01 | 皇家飞利浦电子股份有限公司 | 医学分析系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4021179B2 (ja) * | 2000-11-29 | 2007-12-12 | 富士通株式会社 | 診断支援プログラム、診断支援プログラムを記録したコンピュータ読取可能な記録媒体、診断支援装置及び診断支援方法 |
US7120626B2 (en) * | 2002-11-15 | 2006-10-10 | Koninklijke Philips Electronics N.V. | Content retrieval based on semantic association |
WO2005121784A1 (ja) * | 2004-06-10 | 2005-12-22 | Kurume University | 医用画像処理システム |
JP2009268826A (ja) * | 2008-05-09 | 2009-11-19 | Panasonic Corp | 脳波識別方法調整装置および方法 |
-
2012
- 2012-05-22 EP EP12728798.5A patent/EP2718865A2/en not_active Ceased
- 2012-05-22 MX MX2013014196A patent/MX2013014196A/es not_active Application Discontinuation
- 2012-05-22 US US14/124,076 patent/US20140107936A1/en not_active Abandoned
- 2012-05-22 JP JP2014514167A patent/JP6047558B2/ja not_active Expired - Fee Related
- 2012-05-22 WO PCT/IB2012/052551 patent/WO2012168810A2/en active Application Filing
- 2012-05-22 CN CN201280038186.9A patent/CN103718181B/zh not_active Expired - Fee Related
- 2012-05-22 BR BR112013031048A patent/BR112013031048A2/pt not_active IP Right Cessation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060034508A1 (en) * | 2004-06-07 | 2006-02-16 | Zhou Xiang S | Computer system and method for medical assistance with imaging and genetics information fusion |
WO2007019504A2 (en) * | 2005-08-05 | 2007-02-15 | Siemens Medical Solutions Usa, Inc. | System and method for integrating heterogeneous biomedical information |
WO2009083837A1 (en) * | 2007-12-21 | 2009-07-09 | Koninklijke Philips Electronics, N.V. | Method and system for cross-modality case-based computer-aided diagnosis |
CN102084366A (zh) * | 2008-05-12 | 2011-06-01 | 皇家飞利浦电子股份有限公司 | 医学分析系统 |
Also Published As
Publication number | Publication date |
---|---|
US20140107936A1 (en) | 2014-04-17 |
WO2012168810A2 (en) | 2012-12-13 |
BR112013031048A2 (pt) | 2016-11-29 |
CN103718181B (zh) | 2016-12-28 |
MX2013014196A (es) | 2014-03-21 |
JP2014522532A (ja) | 2014-09-04 |
WO2012168810A3 (en) | 2013-02-28 |
JP6047558B2 (ja) | 2016-12-21 |
EP2718865A2 (en) | 2014-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7411619B2 (ja) | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム | |
CN104303184B (zh) | 整合医疗成像和活检数据的临床工作站以及使用其的方法 | |
Massoud et al. | Integrating noninvasive molecular imaging into molecular medicine: an evolving paradigm | |
CN105184103A (zh) | 基于病历数据库的虚拟名医 | |
CN110444289A (zh) | 用于诊断检测的识别的途径分析 | |
Shaikh et al. | Technical challenges in the clinical application of radiomics | |
CN107480675B (zh) | 一种基于放射组学的肝静脉压力梯度计算模型的构建方法 | |
US20140180599A1 (en) | Methods and apparatus for analyzing genetic information | |
De Marvao et al. | Artificial intelligence for cardiac imaging-genetics research | |
Li et al. | Progress in biological age research | |
KR101765999B1 (ko) | 암 바이오마커의 성능 평가 장치 및 방법 | |
CN116705296A (zh) | 一种基于常规mri序列对gbm患者进行风险分层的方法及系统 | |
CN113077875A (zh) | Ct影像的处理方法及装置 | |
CN103718181A (zh) | 指示表型的组合标签的跨模态应用 | |
KR20150079641A (ko) | 동적 네트워크 바이오마커의 검출 장치, 검출 방법 및 검출 프로그램 | |
Matheson et al. | Simultaneous multifactor Bayesian analysis (SiMBA) of PET time activity curve data | |
Goyen | Radiogenomic imaging-linking diagnostic imaging and molecular diagnostics | |
CN113450877B (zh) | 一种基于多重免疫组化技术的生物标志物分析方法及其应用 | |
Kim et al. | Artificial Intelligence Applied to Cardiomyopathies: Is It Time for Clinical Application? | |
KR102161511B1 (ko) | 담도암 진단용 바이오마커의 추출 방법, 이를 위한 컴퓨팅 장치, 담도암 진단용 바이오마커 및 이를 포함하는 담도암 진단 장치 | |
Tadesse et al. | Identification of differentially expressed genes in high-density oligonucleotide arrays accounting for the quantification limits of the technology | |
CN111863129A (zh) | 一种脑脊液中突变的检测方法及检测装置 | |
EP2685399A2 (en) | Method and apparatus for analyzing gene information for treatment selection | |
US10672505B2 (en) | Biological data annotation and visualization | |
Shen et al. | A computational approach to estimate postmortem interval using postmortem computed tomography of multiple tissues based on animal experiments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161228 |