CN108648823A - 一种食管癌淋巴结转移的定量分析模型的建立方法及装置 - Google Patents

一种食管癌淋巴结转移的定量分析模型的建立方法及装置 Download PDF

Info

Publication number
CN108648823A
CN108648823A CN201810412457.1A CN201810412457A CN108648823A CN 108648823 A CN108648823 A CN 108648823A CN 201810412457 A CN201810412457 A CN 201810412457A CN 108648823 A CN108648823 A CN 108648823A
Authority
CN
China
Prior art keywords
lymph node
data
lymph
quantitative analysis
esophageal cancer
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.)
Pending
Application number
CN201810412457.1A
Other languages
English (en)
Inventor
王铸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cancer Hospital and Institute of CAMS and PUMC
Original Assignee
Cancer Hospital and Institute of CAMS and PUMC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cancer Hospital and Institute of CAMS and PUMC filed Critical Cancer Hospital and Institute of CAMS and PUMC
Priority to CN201810412457.1A priority Critical patent/CN108648823A/zh
Publication of CN108648823A publication Critical patent/CN108648823A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种食管癌淋巴结转移的定量分析模型的建立方法及装置，方法包括：建立淋巴结数据库，确定训练集和测试集，对训练集中的数据进行图像分析与特征识别，计算似然比，并预估验前概率；利用图像分析与特征识别后的数据以及似然比进行指标筛选，得到初筛数据；利用初筛数据以及预估验前概率计算验后概率；根据初筛数据以及验后概率初步建立判别模型；将测试集中的数据代入判别模型，对判别模型进行测试；如果达到预期目标，则建立食管癌淋巴结转移的定量分析模型；如果未达到预期目标，对判别模型进行修正，并利用测试集中的数据对判别模型再次进行测试，直至达到预期目标，建立食管癌淋巴结转移的定量分析模型。

Description

一种食管癌淋巴结转移的定量分析模型的建立方法及装置
技术领域
本发明涉及数字化医疗领域，尤其涉及一种食管癌淋巴结转移的定量分析模型的建立方法及装置。
背景技术
淋巴结转移与否，是肿瘤分期、选择治疗方法、判定预后的重要因素，影像学检查的意义和作用就是在于对其进行准确的判别和诊断。目前临床研究最多、应用最普遍的诊断标准通常为淋巴结的大小，认为：体积(径线)较大的淋巴结为转移，体积(径线)较小者认为非转移。对于临界值附近的淋巴结，也多依赖于观察者的主观判断。而这种单一指标的诊断准确率不高，常将部分炎性肿大淋巴结误诊为转移，而对于部分径线较小的转移淋巴结漏诊。并且，诊断(判别)的结果也只有“是”或“不是”两种选项。
同时，传统的影像诊断除对图像的医学综合分析推理外，其准确性还不同程度的依赖于医师的知识结构和个人经验。并且目前常用的一些统计学方法也存在某些缺陷，例如ROC曲线等，仅能对单一的计量化数据进行研究；对于描述性数据，通常采用诊断的敏感度及特异度进行逐个的概率分析。因此，传统的影响诊断结果不够客观、准确。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的一种食管癌淋巴结转移的定量分析模型的建立方法及装置，能够一定程度上让诊断结果更加客观、准确。
为达到上述目的，本发明的技术方案具体是这样实现的：
本发明的一个方面提供了一种食管癌淋巴结转移的定量分析模型的建立方法，包括：对淋巴结进行数据采集、测量以及录入，得到淋巴结数据，其中，淋巴结数据中至少包括图像数据；利用临床中的手术、病理对照淋巴结数据；建立淋巴结数据库；对淋巴结数据库中的数据进行整理及赋值；确定训练集和测试集，其中，训练集包括淋巴结数据库中预设数量的数据，测试集包括淋巴结数据库中除训练集之外的数据；对训练集中的数据进行图像分析与特征识别，计算似然比，并预估验前概率；利用图像分析与特征识别后的数据以及似然比进行指标筛选，得到初筛数据；利用初筛数据以及预估验前概率计算验后概率；根据初筛数据以及验后概率初步建立判别模型；将测试集中的数据代入判别模型，对判别模型进行测试；如果达到预期目标，则建立食管癌淋巴结转移的定量分析模型；如果未达到预期目标，对判别模型进行修正，并利用测试集中的数据对判别模型再次进行测试，直至达到预期目标，建立食管癌淋巴结转移的定量分析模型。
另外，淋巴结数据包括如下参数：淋巴结的大小、淋巴结的形态、淋巴结所在部位、淋巴结的边缘情况、淋巴结的数量、淋巴结的密度值、淋巴结的回声情况、淋巴结的信号情况以及淋巴结的强化值。
另外，食管癌淋巴结转移的定量分析模型至少包括如下公式：淋巴结转移的概率＝aA+bB+cC+dD+eE+fF+gG+hH+iI；其中，A为淋巴结的大小、B为淋巴结的形态、C为淋巴结所在部位、D为淋巴结的边缘情况、E为淋巴结的数量、F为淋巴结的密度值、G为淋巴结的回声情况、H为淋巴结的信号情况，I为淋巴结的强化值；a，b，c，d，e，f，g，h，i为各项参数的权重值。
另外，训练集包括淋巴结数据库中85％的数据，测试集包括淋巴结数据库中除训练集之外15％的数据。
本发明另一方面提供了一种食管癌淋巴结转移的定量分析模型的建立装置，包括：数据库建立模块，用于对淋巴结进行数据采集、测量以及录入，得到淋巴结数据，其中，淋巴结数据中至少包括图像数据；利用临床中的手术、病理对照淋巴结数据；建立淋巴结数据库；预处理模块，用于对淋巴结数据库中的数据进行整理及赋值；确定训练集和测试集，其中，训练集包括淋巴结数据库中预设数量的数据，测试集包括淋巴结数据库中除训练集之外的数据；判别模型建立模块，用于对训练集中的数据进行图像分析与特征识别，计算似然比，并预估验前概率；利用图像分析与特征识别后的数据以及似然比进行指标筛选，得到初筛数据；利用初筛数据以及预估验前概率计算验后概率；根据初筛数据以及验后概率初步建立判别模型；定量分析模型建立模块，用于将测试集中的数据代入判别模型，对判别模型进行测试；如果达到预期目标，则建立食管癌淋巴结转移的定量分析模型；如果未达到预期目标，对判别模型进行修正，并利用测试集中的数据对判别模型再次进行测试，直至达到预期目标，建立食管癌淋巴结转移的定量分析模型。
另外，淋巴结数据包括如下参数：淋巴结的大小、淋巴结的形态、淋巴结所在部位、淋巴结的边缘情况、淋巴结的数量、淋巴结的密度值、淋巴结的回声情况、淋巴结的信号情况以及淋巴结的强化值。
另外，食管癌淋巴结转移的定量分析模型至少包括如下公式：淋巴结转移的概率＝aA+bB+cC+dD+eE+fF+gG+hH+iI；其中，A为淋巴结的大小、B为淋巴结的形态、C为淋巴结所在部位、D为淋巴结的边缘情况、E为淋巴结的数量、F为淋巴结的密度值、G为淋巴结的回声情况、H为淋巴结的信号情况，I为淋巴结的强化值；a，b，c，d，e，f，g，h，i为各项参数的权重值。
另外，训练集包括淋巴结数据库中85％的数据，测试集包括淋巴结数据库中除训练集之外15％的数据。
由此可见，通过本发明提供的食管癌淋巴结转移的定量分析模型的建立方法及装置，较目前临床更加广泛地汇集了影像学检查的多项可视化信息及多种肿瘤相关因素，经综合权重这些指标对诊断的贡献作用，科学地利用统计学方法加以有效判别、分析，建立了淋巴结转移概率判断模型，同时，模型应用简便，不改变临床(医生)当前工作习惯。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的食管癌淋巴结转移的定量分析模型的建立方法的流程图；
图2为本发明实施例提供的食管癌淋巴结转移的定量分析模型的建立装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的食管癌淋巴结转移的定量分析模型的建立方法的流程图，参见图1本发明实施例提供的食管癌淋巴结转移的定量分析模型的建立方法，包括：
S101，对淋巴结进行数据采集、测量以及录入，得到淋巴结数据，其中，淋巴结数据中至少包括图像数据；
S102，利用临床中的手术、病理对照淋巴结数据；
S103，建立淋巴结数据库；
S104，对淋巴结数据库中的数据进行整理及赋值；
S105，确定训练集和测试集，其中，训练集包括淋巴结数据库中预设数量的数据，测试集包括淋巴结数据库中除训练集之外的数据；
S106，对训练集中的数据进行图像分析与特征识别，计算似然比，并预估验前概率；
S107，利用图像分析与特征识别后的数据以及似然比进行指标筛选，得到初筛数据；
S108，利用初筛数据以及预估验前概率计算验后概率；
S109，根据初筛数据以及验后概率初步建立判别模型；
S110，将测试集中的数据代入判别模型，对判别模型进行测试；
S111，如果达到预期目标，则建立食管癌淋巴结转移的定量分析模型；
S112，如果未达到预期目标，对判别模型进行修正，并利用测试集中的数据对判别模型再次进行测试，直至达到预期目标，建立食管癌淋巴结转移的定量分析模型。
具体地，本发明采用的基础技术为Bayes(贝叶斯)判别分析，其基本方法是根据贝叶斯定理将关于未知参数的先验信息与样本信息综合，得出后验信息，再根据后验信息去推断未知参数。因此，本发明基于Bayes(贝叶斯)判别分析，通过样本内淋巴结的某些指标及医学影像征象得出Bayes判别函数，进而对研究对象做出推测性判断。当然，本发明并不局限于采用BAYES分析方法，只要是对淋巴结的多项可测量的参数能够进行综合、分析、判别的其他方案均应属于本发明的保护范围。
因此，本发明在大量数据统计、分析的基础上，综合淋巴结的多项影像学征象，利用判别分析方法，通过对食管癌淋巴结多个影像学可视参数的测量、客观地权重各种临床信息，建立食管癌淋巴结转移的定量分析模型，从而利用食管癌淋巴结转移的定量分析模型实现淋巴结转移的定量诊断，为临床提供更为科学、有效的依据。
作为本发明实施例的一个可选实施方式，淋巴结数据包括如下参数：淋巴结的大小、淋巴结的形态、淋巴结所在部位、淋巴结的边缘情况、淋巴结的数量、淋巴结的密度值、淋巴结的回声情况、淋巴结的信号情况以及淋巴结的强化值。因此，利用统计学方法综合评价和分析这些征象，建立了转移概率的预测模型，提供了定量诊断方法，提高了临床诊断食管癌淋巴结转移的准确率。其中，测量淋巴结数据的如下参数中：
淋巴结的大小(A)可以包括：短径mm；长径mm；截面积：短径x长径mm2；
淋巴结的形态(B)可以包括：短径或者长径；
淋巴结所在部位(C)可以包括：在病变旁或者远处；
淋巴结的边缘情况(D)可以包括：光整、毛糙、不规则等；
淋巴结的数量(E)可以包括：1-2个或者≥3个；
淋巴结的密度值(F)可以包括：CT值HU；
淋巴结的回声情况(G)可以包括：高回声或者低回声；
淋巴结的信号情况(H)可以包括：高信号或者低信号；
淋巴结的强化值(I)可以包括：CT值HU；
基于上述淋巴结的参数，作为本发明实施例的一个可选实施方式，食管癌淋巴结转移的定量分析模型至少包括如下公式：淋巴结转移的概率＝aA+bB+cC+dD+eE+fF+gG+hH+iI；其中，A为淋巴结的大小、B为淋巴结的形态、C为淋巴结所在部位、D为淋巴结的边缘情况、E为淋巴结的数量、F为淋巴结的密度值、G为淋巴结的回声情况、H为淋巴结的信号情况，I为淋巴结的强化值；a，b，c，d，e，f，g，h，i为各项参数的权重值。由此可见，通过以上公式，可以将传统的定性诊断提升为定量(概率)诊断，更加完整、科学。
作为本发明实施例的一个可选实施方式，训练集包括淋巴结数据库中85％的数据，测试集包括淋巴结数据库中除训练集之外15％的数据。由此可以综合利用淋巴结的多种影像学特征指标及肿瘤临床相关因素，弥补了以往单一指标判断的不足，增大了诊断的信息量。
由此可见，本发明实施例提供的食管癌淋巴结转移的定量分析模型的建立方法，较目前临床更加广泛地汇集了影像学检查的多项可视化信息及多种肿瘤相关因素，经综合权重这些指标对诊断的贡献作用，科学地利用统计学方法加以有效判别、分析，建立了淋巴结转移概率判断模型，同时，模型应用简便，不改变临床(医生)当前工作习惯。
图2示出了本发明实施例提供的食管癌淋巴结转移的定量分析模型的建立装置的结构示意图，该食管癌淋巴结转移的定量分析模型的建立装置应用于上述方法，以下仅对食管癌淋巴结转移的定量分析模型的建立装置的结构进行简单说明，其他未尽事宜，请参照上述食管癌淋巴结转移的定量分析模型的建立方法中的相关描述，参见图2，本发明实施例提供的食管癌淋巴结转移的定量分析模型的建立装置，包括：
数据库建立模块201，用于对淋巴结进行数据采集、测量以及录入，得到淋巴结数据，其中，淋巴结数据中至少包括图像数据；利用临床中的手术、病理对照淋巴结数据；建立淋巴结数据库；
预处理模块202，用于对淋巴结数据库中的数据进行整理及赋值；确定训练集和测试集，其中，训练集包括淋巴结数据库中预设数量的数据，测试集包括淋巴结数据库中除训练集之外的数据；
判别模型建立模块203，用于对训练集中的数据进行图像分析与特征识别，计算似然比，并预估验前概率；利用图像分析与特征识别后的数据以及似然比进行指标筛选，得到初筛数据；利用初筛数据以及预估验前概率计算验后概率；根据初筛数据以及验后概率初步建立判别模型；
定量分析模型建立模块204，用于将测试集中的数据代入判别模型，对判别模型进行测试；如果达到预期目标，则建立食管癌淋巴结转移的定量分析模型；如果未达到预期目标，对判别模型进行修正，并利用测试集中的数据对判别模型再次进行测试，直至达到预期目标，建立食管癌淋巴结转移的定量分析模型。
因此，本发明在大量数据统计、分析的基础上，综合淋巴结的多项影像学征象，利用判别分析方法，通过对食管癌淋巴结多个影像学可视参数的测量、客观地权重各种临床信息，建立食管癌淋巴结转移的定量分析模型，从而利用食管癌淋巴结转移的定量分析模型实现淋巴结转移的定量诊断，为临床提供更为科学、有效的依据。
作为本发明实施例的一个可选实施方式，淋巴结的大小、淋巴结的形态、淋巴结所在部位、淋巴结的边缘情况、淋巴结的数量、淋巴结的密度值、淋巴结的回声情况、淋巴结的信号情况以及淋巴结的强化值。因此，利用统计学方法综合评价和分析这些征象，建立了转移概率的预测模型，提供了定量诊断方法，提高了临床诊断食管癌淋巴结转移的准确率。
作为本发明实施例的一个可选实施方式，食管癌淋巴结转移的定量分析模型至少包括如下公式：淋巴结转移的概率＝aA+bB+cC+dD+eE+fF+gG+hH+iI；其中，A为淋巴结的大小、B为淋巴结的形态、C为淋巴结所在部位、D为淋巴结的边缘情况、E为淋巴结的数量、F为淋巴结的密度值、G为淋巴结的回声情况、H为淋巴结的信号情况，I为淋巴结的强化值；a，b，c，d，e，f，g，h，i为各项参数的权重值。由此可见，通过以上公式，可以将传统的定性诊断提升为定量(概率)诊断，更加完整、科学。
作为本发明实施例的一个可选实施方式，训练集包括淋巴结数据库中85％的数据，测试集包括淋巴结数据库中除训练集之外15％的数据。由此可以综合利用淋巴结的多种影像学特征指标及肿瘤临床相关因素，弥补了以往单一指标判断的不足，增大了诊断的信息量。
由此可见，本发明实施例提供的食管癌淋巴结转移的定量分析模型的建立装置，较目前临床更加广泛地汇集了影像学检查的多项可视化信息及多种肿瘤相关因素，经综合权重这些指标对诊断的贡献作用，科学地利用统计学方法加以有效判别、分析，建立了淋巴结转移概率判断模型，同时，模型应用简便，不改变临床(医生)当前工作习惯。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (8)

1.一种食管癌淋巴结转移的定量分析模型的建立方法，其特征在于，包括：
对淋巴结进行数据采集、测量以及录入，得到淋巴结数据，其中，所述淋巴结数据中至少包括图像数据；
利用临床中的手术、病理对照所述淋巴结数据；
建立淋巴结数据库；
对所述淋巴结数据库中的数据进行整理及赋值；
确定训练集和测试集，其中，所述训练集包括所述淋巴结数据库中预设数量的数据，所述测试集包括所述淋巴结数据库中除所述训练集之外的数据；
对所述训练集中的数据进行图像分析与特征识别，计算似然比，并预估验前概率；
利用所述图像分析与特征识别后的数据以及所述似然比进行指标筛选，得到初筛数据；
利用所述初筛数据以及所述预估验前概率计算验后概率；
根据所述初筛数据以及所述验后概率初步建立判别模型；
将所述测试集中的数据代入所述判别模型，对所述判别模型进行测试；
如果达到预期目标，则建立食管癌淋巴结转移的定量分析模型；
如果未达到预期目标，对所述判别模型进行修正，并利用所述测试集中的数据对所述判别模型再次进行测试，直至达到预期目标，建立所述食管癌淋巴结转移的定量分析模型。
2.根据权利要求1所述的方法，其特征在于，所述淋巴结数据包括如下参数：
淋巴结的大小、淋巴结的形态、淋巴结所在部位、淋巴结的边缘情况、淋巴结的数量、淋巴结的密度值、淋巴结的回声情况、淋巴结的信号情况以及淋巴结的强化值。
3.根据权利要求1或2所述的方法，其特征在于，所述食管癌淋巴结转移的定量分析模型至少包括如下公式：
淋巴结转移的概率＝aA+bB+cC+dD+eE+fF+gG+hH+iI；
其中，A为淋巴结的大小、B为淋巴结的形态、C为淋巴结所在部位、D为淋巴结的边缘情况、E为淋巴结的数量、F为淋巴结的密度值、G为淋巴结的回声情况、H为淋巴结的信号情况，I为淋巴结的强化值；a，b，c，d，e，f，g，h，i为各项参数的权重值。
4.根据权利要求1所述的方法，其特征在于，所述训练集包括所述淋巴结数据库中85％的数据，所述测试集包括所述淋巴结数据库中除所述训练集之外15％的数据。
5.一种食管癌淋巴结转移的定量分析模型的建立装置，其特征在于，包括：
数据库建立模块，用于对淋巴结进行数据采集、测量以及录入，得到淋巴结数据，其中，所述淋巴结数据中至少包括图像数据；利用临床中的手术、病理对照所述淋巴结数据；建立淋巴结数据库；
预处理模块，用于对所述淋巴结数据库中的数据进行整理及赋值；确定训练集和测试集，其中，所述训练集包括所述淋巴结数据库中预设数量的数据，所述测试集包括所述淋巴结数据库中除所述训练集之外的数据；
判别模型建立模块，用于对所述训练集中的数据进行图像分析与特征识别，计算似然比，并预估验前概率；利用所述图像分析与特征识别后的数据以及所述似然比进行指标筛选，得到初筛数据；利用所述初筛数据以及所述预估验前概率计算验后概率；根据所述初筛数据以及所述验后概率初步建立判别模型；
定量分析模型建立模块，用于将所述测试集中的数据代入所述判别模型，对所述判别模型进行测试；如果达到预期目标，则建立食管癌淋巴结转移的定量分析模型；如果未达到预期目标，对所述判别模型进行修正，并利用所述测试集中的数据对所述判别模型再次进行测试，直至达到预期目标，建立所述食管癌淋巴结转移的定量分析模型。
6.根据权利要求5所述的装置，其特征在于，所述淋巴结数据包括如下参数：
淋巴结的大小、淋巴结的形态、淋巴结所在部位、淋巴结的边缘情况、淋巴结的数量、淋巴结的密度值、淋巴结的回声情况、淋巴结的信号情况以及淋巴结的强化值。
7.根据权利要求5或6所述的装置，其特征在于，所述食管癌淋巴结转移的定量分析模型至少包括如下公式：
淋巴结转移的概率＝aA+bB+cC+dD+eE+fF+gG+hH+iI；
其中，A为淋巴结的大小、B为淋巴结的形态、C为淋巴结所在部位、D为淋巴结的边缘情况、E为淋巴结的数量、F为淋巴结的密度值、G为淋巴结的回声情况、H为淋巴结的信号情况，I为淋巴结的强化值；a，b，c，d，e，f，g，h，i为各项参数的权重值。
8.根据权利要求5所述的装置，其特征在于，所述训练集包括所述淋巴结数据库中85％的数据，所述测试集包括所述淋巴结数据库中除所述训练集之外15％的数据。
CN201810412457.1A 2018-05-03 2018-05-03 一种食管癌淋巴结转移的定量分析模型的建立方法及装置 Pending CN108648823A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810412457.1A CN108648823A (zh) 2018-05-03 2018-05-03 一种食管癌淋巴结转移的定量分析模型的建立方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810412457.1A CN108648823A (zh) 2018-05-03 2018-05-03 一种食管癌淋巴结转移的定量分析模型的建立方法及装置

Publications (1)

Publication Number Publication Date
CN108648823A true CN108648823A (zh) 2018-10-12

Family

ID=63749070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810412457.1A Pending CN108648823A (zh) 2018-05-03 2018-05-03 一种食管癌淋巴结转移的定量分析模型的建立方法及装置

Country Status (1)

Country Link
CN (1) CN108648823A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101061951A (zh) * 2005-07-15 2007-10-31 美国西门子医疗解决公司 利用图像数据对组织进行分类的方法和设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101061951A (zh) * 2005-07-15 2007-10-31 美国西门子医疗解决公司 利用图像数据对组织进行分类的方法和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈伟 等: "基于Bayes理论的计算机辅助诊断系统在孤立性肺结节CT诊断中的应用", 《第三军医大学学报》 *

Similar Documents

Publication Publication Date Title
Blanche et al. The c-index is not proper for the evaluation of-year predicted risks
Bera et al. Predicting cancer outcomes with radiomics and artificial intelligence in radiology
Genc et al. Recurrence of pancreatic neuroendocrine tumors and survival predicted by Ki67
JP7406745B2 (ja) コンピュータ検出方法のための電子画像を処理するためのシステムおよび方法
Chen et al. Current status and quality of radiomic studies for predicting immunotherapy response and outcome in patients with non-small cell lung cancer: a systematic review and meta-analysis
Strijker et al. Systematic review of clinical prediction models for survival after surgery for resectable pancreatic cancer
Dyer et al. Implications of the updated Lung CT Screening Reporting and Data System (Lung-RADS version 1.1) for lung cancer screening
Wang et al. Non-invasive measurement using deep learning algorithm based on multi-source features fusion to predict PD-L1 expression and survival in NSCLC
JP2018504674A (ja) 早期癌予知のための計算病理学システム及び方法
Xu et al. Differentiating benign from malignant renal tumors using T2‐and diffusion‐weighted images: A comparison of deep learning and radiomics models versus assessment from radiologists
Khene et al. Application of machine learning models to predict recurrence after surgical resection of nonmetastatic renal cell carcinoma
Jiang et al. Prognosis and status of lymph node involvement in patients with adenocarcinoma in situ and minimally invasive adenocarcinoma—a systematic literature review and pooled-data analysis
Ozturk Sari et al. The impact of phosphohistone-H3-assisted mitotic count and Ki67 score in the determination of tumor grade and prediction of distant metastasis in well-differentiated pancreatic neuroendocrine tumors
Gurbani et al. Evaluation of radiomics and machine learning in identification of aggressive tumor features in renal cell carcinoma (RCC)
Karabacak et al. Deep learning for prediction of isocitrate dehydrogenase mutation in gliomas: a critical approach, systematic review and meta-analysis of the diagnostic test performance using a Bayesian approach
Li et al. Predicting neoadjuvant chemotherapy benefit using deep learning from stromal histology in breast cancer
Wang et al. Dual-scale categorization based deep learning to evaluate programmed cell death ligand 1 expression in non-small cell lung cancer
CA3202255A1 (en) Markers for the early detection of colon cell proliferative disorders
Ling et al. Integration of IDPC clustering analysis and interpretable machine learning for survival risk prediction of patients with ESCC
Tran et al. Uncertainty-aware deep-learning model for prediction of supratentorial hematoma expansion from admission non-contrast head computed tomography scan
Mazumder et al. Using Artificial Intelligence to Predict Cirrhosis From Computed Tomography Scans
CN108648822A (zh) 一种食管癌淋巴结转移的定量分析结果输出方法及装置
Chansky et al. Survival analyses in lung cancer
CN108648823A (zh) 一种食管癌淋巴结转移的定量分析模型的建立方法及装置
CN108763092A (zh) 一种基于交叉验证的代码缺陷检测方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181012

RJ01 Rejection of invention patent application after publication