CN107292114A - 一种孤立性肺结节恶性概率预测模型的建立方法 - Google Patents
一种孤立性肺结节恶性概率预测模型的建立方法 Download PDFInfo
- Publication number
- CN107292114A CN107292114A CN201710530301.9A CN201710530301A CN107292114A CN 107292114 A CN107292114 A CN 107292114A CN 201710530301 A CN201710530301 A CN 201710530301A CN 107292114 A CN107292114 A CN 107292114A
- Authority
- CN
- China
- Prior art keywords
- pernicious
- building
- probabilistic prediction
- ggo
- prediction model
- 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
- 208000000017 Solitary Pulmonary Nodule Diseases 0.000 title claims abstract description 29
- 230000000505 pernicious effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 210000002966 serum Anatomy 0.000 claims abstract description 14
- 239000000439 tumor marker Substances 0.000 claims abstract description 10
- 238000010200 validation analysis Methods 0.000 claims abstract description 10
- 230000003902 lesion Effects 0.000 claims abstract description 5
- 238000000556 factor analysis Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 206010028980 Neoplasm Diseases 0.000 claims description 19
- 239000000203 mixture Substances 0.000 claims description 16
- 108010036226 antigen CYFRA21.1 Proteins 0.000 claims description 15
- 230000002308 calcification Effects 0.000 claims description 15
- 210000004224 pleura Anatomy 0.000 claims description 15
- 230000000391 smoking effect Effects 0.000 claims description 10
- 210000004072 lung Anatomy 0.000 claims description 5
- 241000208125 Nicotiana Species 0.000 claims description 4
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 4
- 239000001828 Gelatine Substances 0.000 claims description 3
- 229920000159 gelatin Polymers 0.000 claims description 3
- 235000019322 gelatine Nutrition 0.000 claims description 3
- 230000005586 smoking cessation Effects 0.000 claims description 3
- 210000001685 thyroid gland Anatomy 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 4
- 102100025475 Carcinoembryonic antigen-related cell adhesion molecule 5 Human genes 0.000 description 17
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000002980 postoperative effect Effects 0.000 description 3
- 206010018691 Granuloma Diseases 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 238000011477 surgical intervention Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 1
- 108010022366 Carcinoembryonic Antigen Proteins 0.000 description 1
- 208000002927 Hamartoma Diseases 0.000 description 1
- 206010027458 Metastases to lung Diseases 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 208000001119 benign fibrous histiocytoma Diseases 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000019065 cervical carcinoma Diseases 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 208000020141 lung sclerosing hemangioma Diseases 0.000 description 1
- 238000013188 needle biopsy Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 201000009484 sclerosing hemangioma Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种孤立性肺结节恶性概率预测模型的建立方法，所述方法具体如下：采集患者基本信息和术前1‑7天血清肿瘤标记物水平，再结合患者的CT影像学报告，将患者病例按毛玻璃样病变GGO比例分为GGO比例大于等于50％和小于50％两组，每组病例按3：1比例均设置实验组和验证组，将实验组病例相关资料进行单因素分析，初步筛选出独立危险因素，带入多因素分析，获得判断SPN良、恶性的独立危险因素，应用Logistics回归获得SPN恶性概率预测模型，再应用验证组病例资料带入模型进行验证。本发明提供的模型简单易用，并且所用的指标均是常规检查就能得出来的指标，易于采用，根据这种模型可以给医生进一步诊断治疗提供有效的中间参考信息。
Description
技术领域
本发明涉及医学技术领域，具体涉及一种孤立性肺结节恶性概率预测模型的建立方法。
背景技术
目前学术界公认将直径小于或等于3cm，周围为肺组织包绕的圆形影像学结节影定义为孤立性肺结节(SPN)。文献统计，大约每500张X线胸片中可能有1张(0.2％)显示SPN，90％的SPN在健康人群体检中被无意发现，在美国每年可经健康体检发现超过15万个SPN。常见的SPN病理诊断结果包括良性的非特异性肉芽肿、炎性肉芽肿、错构瘤、硬化型血管瘤等，以及恶性的原发性肺癌及肺转移瘤等。国际上已有大样本、前瞻性临床研究证实对偶发的孤立性肺结节在必要时进行外科干预，明确良恶性并行规范治疗，可以降低与肺癌有关的病死率。
目前临床上选择对SPN病例进一步检查甚至外科干预的时机主要基于医师的临床经验，受主观因素影响巨大，不同专业方向的医师往往意见相左(如同样的孤立性肺结节，外科医生通常倾向手术活检，内科医生通常倾向药物治疗并随诊观察，放射科医生通常建议CT引导下穿刺活检)，并无客观、可量化指标供参考。
发明内容
本发明的目的在于提供一种孤立性肺结节恶性概率预测模型的建立方法，该方法准确性高，简单易行，能够给进一步的诊断治疗提供有效的中间信息。
为实现上述目的，本发明方法采用如下技术方案：
一种孤立性肺结节恶性概率预测模型的建立方法，所述方法具体如下：采集患者基本信息和术前1-7天血清肿瘤标记物水平，再结合患者的CT影像学报告，将患者病例按GGO比例分为GGO比例大于等于50％和小于50％两组，每组病例按3：1比例均设置实验组和验证组，将实验组病例相关资料进行单因素分析，初步筛选出独立危险因素，带入多因素分析，获得判断SPN良、恶性的独立危险因素，应用Logistics回归获得SPN恶性概率预测模型，再应用验证组病例资料带入模型进行验证。
具体地，所述患者基本信息包括年龄、性别、吸烟情况(是否吸烟、吸烟量、戒烟时间等)、家族肿瘤病史、既往肿瘤病史等。
所述血清肿瘤标记物水平包括血清癌胚抗原CEA和血清骨胶素Cyfra21-1水平。
所述CT影像学报告中包括结节位置、CT最大径、毛玻璃样病变GGO所占比例、毛刺征、分叶征、钙化、空洞、边界清楚及胸膜牵拉。
所述独立危险因素包括年龄、CT最大径、有无毛刺、是否钙化、有无胸膜牵拉、有无肿瘤史、边界是否清楚、Cyfra21-1和CEA。
所述预测模型具体为：P＝eX/(1+eX)；当GGO成分小于50％时：X＝-10.6+(0.064×年龄)+(1.358×最大径)+(1.698×毛刺)-(2.492×钙化)+(1.446×胸膜牵拉)+(2.101×肿瘤史)+(0.639×Cyfra21-1)+(0.633×CEA)。当GGO成分大于等于50％时：X＝-1.180+(0.057×年龄)-(2.30×边界清楚)+(1.032×CEA)；其中e是自然对数；“年龄”的单位是“岁”；“最大径”指CT肺窗上结节最大直径，单位为cm；“毛刺”、“钙化”、“胸膜牵拉”、“肿瘤史”、“边界清楚”为定性指标，“是”计为1，“否”记为0；CEA和Cyfra21-1单位均为ng/mL，所述检测应用医疗单位统一试剂盒。
本发明方法具有如下优点：
以上指标均是通过对病人的询问或者常规检查得出来的，不涉及有创检查或操作，为患者最大限度减少病痛。
利用Logistics回归获得的模型，这种方法基于临床“大数据”方法的应用，可靠性高。
本发明提供的模型简单易用，并且所用的指标均是常规检查就能得出来的指标，易于采用，根据这种模型可以给医生进一步诊断治疗提供有效的中间参考信息，具有较高的参考价值。
附图说明
图1是GGO成分小于50％病例的ROC曲线(左为实验组，右为验证组)；
图2是GGO成分大于等于50％病例的ROC曲线(左为实验组，右为验证组)。
具体实施方式
下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
实施例1一种孤立性肺结节恶性概率预测模型的建立方法
申请人采用1234例孤立性肺结节病例，全部病例均获得明确的病理诊断。采集患者一般状况，包括年龄、性别、吸烟情况(是否吸烟、吸烟量、戒烟时间等)、家族肿瘤病史、既往肿瘤病史。采集术前1-7天血清肿瘤标记物水平，包括血清癌胚抗原(carcinoembryonicantigen,CEA)和血清骨胶素(Cyfra21-1)水平。由胸外科、呼吸科、放射科医师共同阅片评估CT影像学特点，包括结节位置、CT最大径(肺窗)、毛玻璃样病变(ground-glass opacity,GGO)所占比例、毛刺征、分叶征、钙化、空洞、边界清楚及胸膜牵拉征。
考虑到结节GGO比例不同会严重影响良恶性判断，将全部病例按GGO比例分为两组(GGO比例大于等于50％或小于50％)。每组病例按3：1比例均设置实验组和验证组。将实验组病例相关资料进行单因素分析，初步筛选出独立危险因素，带入多因素分析，获得判断SPN良恶性的独立危险因素，应用Logistics回归获得SPN恶性概率预测模型如下：
P＝eX/(1+eX)；当GGO成分小于50％时：X＝-10.6+(0.064×年龄)+(1.358×最大径)+(1.698×毛刺)-(2.492×钙化)+(1.446×胸膜牵拉)+(2.101×肿瘤史)+(0.639×Cyfra21-1)+(0.633×CEA)。当GGO成分大于等于50％时：X＝-1.180+(0.057×年龄)-(2.30×边界清楚)+(1.032×CEA)；其中e是自然对数；“年龄”的单位是“岁”；“最大径”指CT肺窗上结节最大直径，单位为cm；“毛刺”、“钙化”、“胸膜牵拉”、“肿瘤史”、“边界清楚”为定性指标，“是”计为1，“否”记为0；CEA和Cyfra21-1单位均为ng/mL，所述检测应用医疗单位统一试剂盒。
为了进一步证实本发明所述预测模型的预测效果，申请人对其进行了如下对比验证，具体如下：
我们对该模型预测效力进行了初步检测，绘制受试者工作曲线(receiveroperating characteristic curve,ROC)并对曲线下面积(area under the ROC curve,AUC)进行比较。
对GGO成分小于50％的病例，AUC值在实验组为0.960(95％CI,0.946-0.973)，验证组为0.948(95％CI,0.913-0.983)。对GGO成分大于等于50％的病例，AUC值在实验组为0.847(95％CI,0.784-0.909)，验证组为0.833(95％CI,0.673-0.993)。如图1、图2所示。
根据统计学理论，ROC曲线下的面积值在1.0和0.5之间。在AUC>0.5的情况下，AUC越接近于1，说明试验效果越好。AUC在0.5～0.7时有较低准确性，AUC在0.7～0.9时有一定准确性，AUC在0.9以上时有较高准确性，能够协助选择最佳的识别界限值。ROC曲线越靠近左上角，试验的准确性就越高。最靠近左上角的ROC曲线的点是错误最少的最好阈值，其假阳性和假阴性的总数最少。应用MedCalc软件直接得出，或通过比较各点的约登指数(Youden index)＝敏感性-(1-特异性)，得出对GGO成分小于50％的病例，当选择0.521作为数据截点(Cutoff)的时候，试验效果最佳，敏感度为92.7％，特异性为86.0％。对GGO成分大于等于50％的病例，当选择0.867作为数据截点的时候，敏感度为76.2％，特异性为72.7％。因此，该模型兼备较高的灵敏度和特异性。
实施例2
病例1：男，55岁，体检发现左下叶结节，GGO成分小于50％，CT最大径1.8cm，无毛刺、钙化、胸膜牵拉，既往无肿瘤史，血清肿瘤标记物Cyfra21-1值3.34ng/mL，CEA值2.82ng/mL。
带入预测模型：P＝eX/(1+eX)，其中X＝-10.6+(0.064×年龄)+(1.358×最大径)+(1.698×毛刺)-(2.492×钙化)+(1.446×胸膜牵拉)+(2.101×肿瘤史)+(0.639×Cyfra21-1)+(0.633×CEA)。计算得到P＝0.328，小于界值0.521。
经过多方会诊，最后对病人进行手术，病人术后进行病理检测，诊断为肉芽肿性炎，考虑为陈旧性结核可能，系良性结节。
实施例3
病例2，男，79岁，体检发现右下叶结节，GGO成分大于50％，边界不清，血清肿瘤标记物CEA值5.33ng/mL。
带入预测模型：P＝eX/(1+eX)，其中X＝-1.180+(0.057×年龄)-(2.30×边界清楚)+(1.032×CEA)。计算得到P＝0.998，大于界值0.867。
在此基础上，继续CT引导下穿刺病理明确诊断为肺腺癌，系恶性结节，接受了后续手术治疗。
实施例4
病例3，女，64岁，体检发现右下叶结节，GGO成分小于50％，CT最大径1.2cm，无毛刺、钙化、胸膜牵拉，既往宫颈癌病史，血清肿瘤标记物Cyfra21-1值2.82ng/mL，CEA值2.14ng/mL。
带入预测模型：P＝eX/(1+eX)，其中X＝-10.6+(0.064×年龄)+(1.358×最大径)+(1.698×毛刺)-(2.492×钙化)+(1.446×胸膜牵拉)+(2.101×肿瘤史)+(0.639×Cyfra21-1)+(0.633×CEA)。计算得到P＝0.5946，大于界值0.521。
经过多方会诊，参考上述信息，患者接受手术治疗，术后病理诊断为浸润性腺癌，系恶性结节。
实施例5
病例4，女，71岁，体检发现右上叶结节，GGO成分大于50％，边界清，血清肿瘤标记物CEA值2.78g/mL。
带入预测模型：P＝eX/(1+eX)，其中X＝-1.180+(0.057×年龄)-(2.30×边界清楚)+(1.032×CEA)。计算得到P＝0.969，大于界值0.867。
参考上述信息，并且经过多方会诊，患者接受手术治疗，术后病理诊断为微浸润腺癌，系恶性结节。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (8)
1.一种孤立性肺结节恶性概率预测模型的建立方法，其特征在于，所述方法具体如下：采集患者基本信息和术前1-7天血清肿瘤标记物水平，再结合患者的CT影像学报告，将患者病例按毛玻璃样病变GGO比例分为GGO比例大于或等于50％和小于50％两组，每组病例按3：1比例均设置实验组和验证组，将实验组病例相关资料进行单因素分析，初步筛选出独立危险因素，带入多因素分析，获得判断SPN良、恶性的独立危险因素，应用Logistics回归获得SPN恶性概率预测模型，再应用验证组病例资料带入模型进行验证。
2.根据权利要求1所述的孤立性肺结节恶性概率预测模型的建立方法，其特征在于，所述患者基本信息包括年龄、性别、吸烟情况、家族肿瘤病史、既往肿瘤病史。
3.根据权利要求1所述的孤立性肺结节恶性概率预测模型的建立方法，其特征在于，所述血清肿瘤标记物水平包括血清癌胚抗原CEA水平。
4.根据权利要求1所述的孤立性肺结节恶性概率预测模型的建立方法，其特征在于，所述血清肿瘤标记物水平还包括血清骨胶素Cyfra21-1水平。
5.根据权利要求1所述的孤立性肺结节恶性概率预测模型的建立方法，其特征在于，所述CT影像学报告中包括结节位置、CT最大径、毛玻璃样病变GGO所占比例、毛刺征、分叶征、钙化、空洞、边界清楚及胸膜牵拉。
6.根据权利要求1所述的孤立性肺结节恶性概率预测模型的建立方法，其特征在于，所述吸烟情况包括是否吸烟、吸烟量、戒烟时间。
7.根据权利要求1所述的孤立性肺结节恶性概率预测模型的建立方法，其特征在于，所述独立危险因素包括年龄、CT最大径、有无毛刺、是否钙化、有无胸膜牵拉、有无肿瘤史、边界是否清楚、Cyfra21-1和CEA。
8.根据权利要求1所述的孤立性肺结节恶性概率预测模型的建立方法，其特征在于，所述预测模型为：P＝eX/(1+eX)；当GGO成分小于50％时：X＝-10.6+(0.064×年龄)+(1.358×最大径)+(1.698×毛刺)-(2.492×钙化)+(1.446×胸膜牵拉)+(2.101×肿瘤史)+(0.639×Cyfra21-1)+(0.633×CEA)；当GGO成分大于或等于50％时：X＝-1.180+(0.057×年龄)-(2.30×边界清楚)+(1.032×CEA)；其中e是自然对数；“年龄”的单位是“岁”；“最大径”指CT肺窗上结节最大直径，单位为cm；“毛刺”、“钙化”、“胸膜牵拉”、“肿瘤史”、“边界清楚”为定性指标，“是”计为1，“否”记为0；CEA和Cyfra21-1单位均为ng/mL。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710530301.9A CN107292114B (zh) | 2017-06-28 | 2017-06-28 | 一种孤立性肺结节恶性概率预测模型的建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710530301.9A CN107292114B (zh) | 2017-06-28 | 2017-06-28 | 一种孤立性肺结节恶性概率预测模型的建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292114A true CN107292114A (zh) | 2017-10-24 |
| CN107292114B CN107292114B (zh) | 2020-07-14 |
Family
ID=60099267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710530301.9A Expired - Fee Related CN107292114B (zh) | 2017-06-28 | 2017-06-28 | 一种孤立性肺结节恶性概率预测模型的建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292114B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520778A (zh) * | 2018-04-20 | 2018-09-11 | 中日友好医院 | 一种基于大数据的肺癌筛查系统及方法 |
| CN110415206A (zh) * | 2019-04-08 | 2019-11-05 | 上海墩庐生物医学科技有限公司 | 一种识别肺腺癌浸润分型的方法 |
| CN111127225A (zh) * | 2019-11-25 | 2020-05-08 | 泰康保险集团股份有限公司 | 保险核保的系统、方法、设备和计算机可读介质 |
| CN111370061A (zh) * | 2019-06-20 | 2020-07-03 | 深圳思勤医疗科技有限公司 | 基于蛋白标记物与人工智能的癌症筛查方法 |
| CN111681757A (zh) * | 2020-06-03 | 2020-09-18 | 广西壮族自治区人民医院 | 一种基于25(oh)d水平的新冠肺炎疾病严重程度的预测系统及其构建与使用方法 |
| CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 |
| CN111834006A (zh) * | 2020-07-08 | 2020-10-27 | 中润普达(十堰)大数据中心有限公司 | 一种基于尿酸值域范围智能疾病认知系统 |
| CN110223776B (zh) * | 2019-07-15 | 2021-01-01 | 四川大学华西医院 | 一种肺癌风险预测系统 |
| CN110223775B (zh) * | 2019-07-15 | 2021-01-01 | 四川大学华西医院 | 一种肺癌风险预测系统 |
| CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
| CN112420200A (zh) * | 2020-10-27 | 2021-02-26 | 上海交通大学医学院附属瑞金医院 | 一种胰腺导管内乳头状黏液肿瘤早期恶变预测系统 |
| CN113450910A (zh) * | 2020-09-27 | 2021-09-28 | 四川大学华西医院 | 一种基于逻辑回归模型的孤立肺结节恶性风险预测系统 |
| CN113743463A (zh) * | 2021-08-02 | 2021-12-03 | 中国科学院计算技术研究所 | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 |
| CN116309515A (zh) * | 2023-03-31 | 2023-06-23 | 广东省人民医院 | 一种肺部亚厘米结节侵袭性预测模型的构建方法及该诊断模型与诊断器 |
| CN118366154A (zh) * | 2024-06-14 | 2024-07-19 | 赛维森(广州)医疗科技服务有限公司 | 图像处理方法、装置、设备、存储介质和程序产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
| CN105717147A (zh) * | 2016-03-29 | 2016-06-29 | 复旦大学附属中山医院 | 一种基于ct影像及生物标志物谱针对中国城市人口肺结节人群的肺癌风险预测模型 |
| CN105717146A (zh) * | 2016-03-29 | 2016-06-29 | 复旦大学附属中山医院 | 一种基于ct影像及生物标志物谱针对中国城市人口高危人群的肺癌风险预测试剂盒 |
| CN105891482A (zh) * | 2016-03-29 | 2016-08-24 | 复旦大学附属中山医院 | 一种基于生物标志物谱针对中国农村人口肺结节人群的肺癌风险预测模型 |
| CN106250701A (zh) * | 2016-08-10 | 2016-12-21 | 华东理工大学 | 计算机软件系统中实现肺结节危险程度分类的系统和方法 |
-
2017
- 2017-06-28 CN CN201710530301.9A patent/CN107292114B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
| CN105717147A (zh) * | 2016-03-29 | 2016-06-29 | 复旦大学附属中山医院 | 一种基于ct影像及生物标志物谱针对中国城市人口肺结节人群的肺癌风险预测模型 |
| CN105717146A (zh) * | 2016-03-29 | 2016-06-29 | 复旦大学附属中山医院 | 一种基于ct影像及生物标志物谱针对中国城市人口高危人群的肺癌风险预测试剂盒 |
| CN105891482A (zh) * | 2016-03-29 | 2016-08-24 | 复旦大学附属中山医院 | 一种基于生物标志物谱针对中国农村人口肺结节人群的肺癌风险预测模型 |
| CN106250701A (zh) * | 2016-08-10 | 2016-12-21 | 华东理工大学 | 计算机软件系统中实现肺结节危险程度分类的系统和方法 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520778A (zh) * | 2018-04-20 | 2018-09-11 | 中日友好医院 | 一种基于大数据的肺癌筛查系统及方法 |
| CN110415206B (zh) * | 2019-04-08 | 2023-12-15 | 上海墩庐生物医学科技有限公司 | 一种识别肺腺癌浸润分型的方法 |
| CN110415206A (zh) * | 2019-04-08 | 2019-11-05 | 上海墩庐生物医学科技有限公司 | 一种识别肺腺癌浸润分型的方法 |
| CN111370061A (zh) * | 2019-06-20 | 2020-07-03 | 深圳思勤医疗科技有限公司 | 基于蛋白标记物与人工智能的癌症筛查方法 |
| CN110223776B (zh) * | 2019-07-15 | 2021-01-01 | 四川大学华西医院 | 一种肺癌风险预测系统 |
| CN110223775B (zh) * | 2019-07-15 | 2021-01-01 | 四川大学华西医院 | 一种肺癌风险预测系统 |
| CN111127225A (zh) * | 2019-11-25 | 2020-05-08 | 泰康保险集团股份有限公司 | 保险核保的系统、方法、设备和计算机可读介质 |
| CN111681757A (zh) * | 2020-06-03 | 2020-09-18 | 广西壮族自治区人民医院 | 一种基于25(oh)d水平的新冠肺炎疾病严重程度的预测系统及其构建与使用方法 |
| CN111834006A (zh) * | 2020-07-08 | 2020-10-27 | 中润普达(十堰)大数据中心有限公司 | 一种基于尿酸值域范围智能疾病认知系统 |
| CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 |
| CN113539498A (zh) * | 2020-09-27 | 2021-10-22 | 四川大学华西医院 | 一种基于决策树模型的孤立肺结节恶性风险预测系统 |
| CN113450910A (zh) * | 2020-09-27 | 2021-09-28 | 四川大学华西医院 | 一种基于逻辑回归模型的孤立肺结节恶性风险预测系统 |
| CN113539497A (zh) * | 2020-09-27 | 2021-10-22 | 四川大学华西医院 | 一种基于随机森林模型的孤立肺结节恶性风险预测系统 |
| CN112420200A (zh) * | 2020-10-27 | 2021-02-26 | 上海交通大学医学院附属瑞金医院 | 一种胰腺导管内乳头状黏液肿瘤早期恶变预测系统 |
| WO2022110278A1 (zh) * | 2020-11-25 | 2022-06-02 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
| CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
| CN113743463A (zh) * | 2021-08-02 | 2021-12-03 | 中国科学院计算技术研究所 | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 |
| CN113743463B (zh) * | 2021-08-02 | 2023-09-26 | 中国科学院计算技术研究所 | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 |
| CN116309515A (zh) * | 2023-03-31 | 2023-06-23 | 广东省人民医院 | 一种肺部亚厘米结节侵袭性预测模型的构建方法及该诊断模型与诊断器 |
| CN118366154A (zh) * | 2024-06-14 | 2024-07-19 | 赛维森(广州)医疗科技服务有限公司 | 图像处理方法、装置、设备、存储介质和程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107292114B (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292114A (zh) | 一种孤立性肺结节恶性概率预测模型的建立方法 | |
| Liu et al. | Preoperative diagnosis of malignant pulmonary nodules in lung cancer screening with a radiomics nomogram | |
| Bağcı et al. | Computer-assisted detection of infectious lung diseases: a review | |
| Haider et al. | Respiratory sound based classification of chronic obstructive pulmonary disease: a risk stratification approach in machine learning paradigm | |
| Chhatwal et al. | Optimal breast biopsy decision-making based on mammographic features and demographic factors | |
| Orel et al. | BI-RADS categorization as a predictor of malignancy | |
| JP2023511335A (ja) | 将来の肺がんのリスクを予測するためのシステム及び方法 | |
| WO2019102829A1 (ja) | 画像解析方法、画像解析装置、画像解析システム、画像解析プログラム、記録媒体 | |
| Zhang et al. | CT-guided hook-wire localization of malignant pulmonary nodules for video assisted thoracoscopic surgery | |
| Stack Jr et al. | Consensus statement by the american association of clinical endocrinology (AACE) and the american head and neck society endocrine surgery section (AHNS) on pediatric benign and malignant thyroid surgery | |
| Zhang et al. | COPD identification and grading based on deep learning of lung parenchyma and bronchial wall in chest CT images | |
| KR20220009862A (ko) | 흉부 의료 영상 판독 지원 장치 및 방법 | |
| JP2017532998A (ja) | 縦断的特徴に基づく関心組織の健康状態の分類 | |
| Yoshiyasu et al. | Radiomics technology for identifying early-stage lung adenocarcinomas suitable for sublobar resection | |
| CN113539498A (zh) | 一种基于决策树模型的孤立肺结节恶性风险预测系统 | |
| Bennett | The changing role of vacuum-assisted biopsy of the breast: a new prototype of minimally invasive breast surgery | |
| Zumárraga et al. | Serum values of alkaline phosphatase and lactate dehydrogenase in osteosarcoma | |
| Cui et al. | Preoperative evaluation of the segmental artery by three-dimensional image reconstruction vs. thin-section multi-detector computed tomography | |
| Adepoju et al. | The evaluation of national time trends, quality of care, and factors affecting the use of minimally invasive breast biopsy and open biopsy for diagnosis of breast lesions | |
| Kapoor et al. | Education level predicts appropriate follow-up of incidental findings from lung cancer screening | |
| Gurbani et al. | Evaluation of radiomics and machine learning in identification of aggressive tumor features in renal cell carcinoma (RCC) | |
| Sano et al. | High CT values relative to the brainstem differentiate inverted papillomas from nasal polyps | |
| Qiu et al. | Comparison of comprehensive morphological and radiomics features of subsolid pulmonary nodules to distinguish minimally invasive adenocarcinomas and invasive adenocarcinomas in CT scan | |
| Sun et al. | Deep learning-based solid component measuring enabled interpretable prediction of tumor invasiveness for lung adenocarcinoma | |
| Jensen et al. | Performance of clinical mammography: a nationwide study from Denmark |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200714 |