CN110111892A - 一种nsclc患者术后短期复发转移风险评估系统 - Google Patents
一种nsclc患者术后短期复发转移风险评估系统 Download PDFInfo
- Publication number
- CN110111892A CN110111892A CN201910357273.4A CN201910357273A CN110111892A CN 110111892 A CN110111892 A CN 110111892A CN 201910357273 A CN201910357273 A CN 201910357273A CN 110111892 A CN110111892 A CN 110111892A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- network
- patient
- short
- 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
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提出一种NSCLC患者术后短期复发转移风险评估系统,包括预处理模块、特征提取模块、AI网络集群风险评估模块和ANFIS网络集成风险评估模块。预处理模块用于对患者多维度临床数据进行收集与预处理,多维度患者临床数据包括患者术前CT影像组学数据、肿瘤病理组学数据和肿瘤临床组学数据;特征提取模块用于提取预处理后的数据样本的特征;AI网络集群风险评估模块用于对提取的样本特征进行复发风险概率评估;ANFIS网络集成风险评估模块用于将复发风险概率评估结果作为输入特征向量,建立ANFIS网络,以复发/转移风险量化概率与危险程度作为输出,进行最终的集成风险评估。该系统可为临床医生针对肺癌患者根治术后综合治疗方案的选择提供参考,预测准确率高。
Description
技术领域
本发明涉及人工智能技术以及智慧医疗技术领域,尤其涉及一种NSCLC患者术后短期复发/转移风险评估系统。
背景技术
肺癌是世界上最常见的恶性肿瘤之一,已成为我国城市人口恶性肿瘤死亡原因的第1位。非小细胞型肺癌(NSCLC)包括鳞状细胞癌(鳞癌)、腺癌、大细胞癌,NSCLC患者比例约占所有肺癌患者的80%,约75%的患者发现时已处于中晚期。同时,非小细胞型肺癌具有恶性程度高、易复发转移、五年生存率低等特点。对NSCLC患者拟定个性化治疗方案,并对高复发风险的患者进行及时的综合治疗干预是临床提高五年生存率的主要手段。
当前针对NSCLC患者的治疗方法主要包括化学治疗,放射治疗以及外科治疗。由于放化疗对于患者身体有着极大的副作用,临床实验表明,对于根治术后低复发/转移风险的患者进行放化疗治疗不但不能使患者从中获益,反而会造成其生活质量、疾病抵抗力下降等多方面的损害,导致五年生存率的降低。然而,对于术后高复发/转移风险的病人进行早期干预,进行全面的综合治疗以及持续的小剂量化疗或靶向治疗则可以很大程度上改变疾病进程,延长患者无病生存期,最终提高五年生存率。
因此,对于NSCLC患者的根治术后短期内的复发转移风险评估对于根治术后NSCLC患者分类,并为其临床制定个性化的诊疗方案有着重要的意义。
发明内容
本发明目的在于提供一种NSCLC患者术后短期复发转移风险预测方法,对患者根治术后短期内复发转移风险进行预测与量化评估,进而为临床肺癌患者根治术后治疗方案的选择提供参考。
为解决上述技术问题,本发明提出了一种AI网络集群辅助下的多维度NSCLC患者术后短期复发转移风险预测系统,对患者信息包括CT影像组学数据、病理组学数据以及肿瘤相关临床组学数据进行采集与特征提取,建立多维度输入特征向量,并通过AI集群网络进行集群预测分析,获得患者术后短期复发/转移风险的量化概率与危险程度。
一种NSLSC患者术后短期复发转移风险评估系统,包括预处理模块、特征提取模块、AI网络集群风险评估模块和ANFIS网络集成风险评估模块。所述预处理模块用于对患者多维度临床数据进行预处理,所述多维度患者临床数据包括:患者术前CT影像组学数据、肿瘤病理组学数据和肿瘤临床组学数据;所述特征提取模块用于提取预处理后的三维CT影像数据样本、二维组织病理样本和肿瘤临床数据样本中的特征;所述AI网络集群风险评估模块用于对提取的三维CT影像数据样本特征、二维组织病理样本特征和肿瘤临床数据样本特征进行复发风险概率评估;所述ANFIS网络集成风险评估模块用于将所述复发风险概率评估结果作为输入特征向量,建立ANFIS网络进行最终的集成风险评估。
进一步地,所述患者术前CT影像组学数据,是指CT三维重建与重点区域分割的基础上所获得的待处理数据,其中,重点区域具体包括:原发灶区域、肺门区域和纵膈区域;所述肿瘤病理组学数据,是指患者在根治术后的肿瘤样本二维组织病理在经过裁切与缩放后所形成的待分析数据样本;所述肿瘤临床组学数据,包括:①患者个人基本数据:性别、年龄、体重、KPS评分;②肿瘤TNM分期数据:原发灶T分期、淋巴结N分期、肺门淋巴结转移个数、纵膈淋巴结转移个数、隆突下淋巴结转移情况、颈部肺外淋巴结转移个数、淋巴结是否跳跃转移、肿瘤包膜是否完好、是否有胸水、术前术后肿瘤标志物变化比例;③基因突变数据:EGFR、ALK、HER2、ERCC1基因是否突变。
作为本发明的优选方案之一,所述预处理模块包括数据整合模块和数据处理模块。数据整合模块用于对患者多维度临床数据进行存储、整理与分类。数据处理模块,用于对分类后的多维度临床数据进行预处理。
进一步地,所述数据处理模块包括:CT影像数据处理子模块、肿瘤病理数据处理子模块和肿瘤临床数据处理子模块。CT影像数据处理子模块用于对CT影像数据进行三维重建以及重点区域的分割,生成三维CT数据样本;肿瘤病理数据处理子模块用于对术后肿瘤组织病理二维图像数据进行裁切与缩放,生成待分析二维组织病理样本数据;肿瘤临床数据处理子模块用于综合患者肿瘤相关临床数据,并对其进行归一化,建立待分析肿瘤临床数据样本。
作为本发明的优选方案之一,所述特征提取模块包括3-D CNN CT影像特征提取模块、2-D CNN组织病理特征提取模块和临床数据特征提取模块;3-D CNN CT影像数据特征提取模块,用于建立3-D CNN网络以利用其深度学习技术对三维CT数据样本进行特征提取;2-D CNN组织病理特征提取模块用于建立2-D CNN网络以提取二维组织病理样本特征;临床数据特征提取模块,用于对肿瘤临床数据样本进行标准化处理并建立18维肿瘤临床数据输入特征向量。
作为本发明的优选方案之一,所述AI网络集群风险评估模块包括:RBF-SVC1网络评估子模块,RBF-SVC2网络评估子模块,临床数据特征集成评估子模块;RBF-SVC1网络评估子模块,用于将3-D CNN网络所提取的三维CT影像数据样本特征作为输入特征向量,建立RBF-SVC1网络进行“短期复发转移/非短期复发转移”二元判断,并输出复发/转移量化风险概率作为患者三维CT影像数据所表现的短期复发/转移评估结果;RBF-SVC2网络评估子模块,用于将2-D CNN网络所提取的二维组织病理样本特征作为输入特征向量,建立RBF-SVC2网络进行“短期复发转移/非短期复发转移”二元判断,并输出复发/转移量化风险概率作为患者二维组织病理数据所表现的短期复发/转移评估结果;临床数据特征集成评估子模块,用于将所提取的18维肿瘤相关临床数据输入特征向量,建立集成评估网络学习器,对患者临床数据所表现的短期复发/转移风险进行评估。
进一步地,所述集成评估网络学习器包括RBF-SVC3网络、RBF-NN网络和集成学习器;RBF-SVC3网络、RBF-NN网络用于将肿瘤临床数据输入特征向量作为网络输入,进行独立的患者短期复发/转移风险评估,并输出量化风险概率结果;集成学习器由Bagger加权平均方式实现,用于根据RBF-SVC3、RBF-NN网络在测试数据集中的表现,对其输出的量化风险概率进行加权平均,权重总和为1;并输出肿瘤临床数据所表现的短期复发/转移加权平均风险概率结果。
作为本发明的优选方案之一,所述ANFIS网络集成风险评估模块中,ANFIS网络选择Sugeno型模糊规则;ANFIS网络由输入模糊化层、模糊推理层、归一化层、反模糊化层以及输出层组成,其中,输入模糊化层中,ANFIS网络将所述AI网络集群风险评估模块输出的3组患者短期复发/转移风险概率预测评估结果作为输入特征向量,并分别划分为“高危、中等、低危”三个模糊集合;隶属度函数选择为高斯函数;ANFIS网络结果包括归一化的患者短期复发/转移风险概率和复发/转移危险等级,所述复发/转移危险等级包括“高危”、“中等”和“低危”。
本发明提供的一种NSCLC患者术后短期复发转移风险预测系统,融合AI网络集群,对患者临床数据进行多维度特征提取与分析评估,能够准确完成NSCLC患者根治术后短期复发/转移事件评估与预测,并获得相关风险程度与量化概率输出。为临床医生针对肺癌患者根治术后综合治疗方案的选择提供参考。具有临床实用性强、预测准确率高的特点。
附图说明
图1为本发明所述一种NSCLC患者术后短期复发转移风险评估系统组成示意图;
图2为NSCLC患者术后短期复发转移风险评估流程图。
图3为系统所使用的患者多维度临床数据示意图。
图4为3-D CNN-SVC1网络结构。
图5为2-D CNN-SVC2网络结构。
图6为ANFIS网络结构。
图7a为测试集样本数据组成。
图7b为所述系统在复发/转移亚组数据中的分析结果。
图7c为所述系统在未复发/转移亚组数据中的分析结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提出的系统短期复发/转移风险预测对象为肺癌NSCLC患者,术后指医学领域所定义的肺癌标准根治术,短期复发/转移指患者根治术后3-12个月即临床确诊出现局部复发或远处转移。
如图1所示,本发明所述NSCLC患者术后短期复发转移风险评估系统包括预处理模块、特征提取模块、AI网络集群风险评估模块和ANFIS网络集成风险评估模块,其中,
所述预处理模块用于对患者多维度临床数据进行预处理,所述多维度患者临床数据包括:患者术前CT影像组学数据、肿瘤病理组学数据和肿瘤临床组学数据;
所述特征提取模块用于提取预处理后的三维CT影像数据样本、二维组织病理数据样本和肿瘤临床数据样本中的特征;
所述AI网络集群风险评估模块用于对提取的三维CT影像数据样本特征、二维组织病理样本特征和肿瘤临床数据样本特征进行复发风险概率评估;
所述ANFIS网络集成风险评估模块用于将所述复发风险概率评估结果作为输入特征向量,建立ANFIS网络进行最终的集成风险评估。
相应地,本发明所述系统复发/转移风险评估流程如图2所示:多维度患者临床数据预处理,患者临床数据特征提取,AI网络集群风险评估以及ANFIS网络集成风险评估。
如图3所示,为了对NSCLC患者根治术后是否出现短期复发/转移进行准确预测与评估,本发明首先采用预处理模块对患者多维度临床数据进行预处理。
所采集临床数据包括:①患者术前CT影像组学数据②肿瘤病理组学数据③患者肿瘤相关临床组学数据。
患者术前CT影像组学数据具体指在CT三维重建与重点区域分割的基础上所获得的待处理数据。其中,重点区域具体包括:原发灶区域、肺门及其附近区域、纵膈及其附近区域。
二维肿瘤病理组学数据具体指,患者在根治术后的肿瘤样本二维组织病理在经过裁切与缩放后所形成的待分析数据样本。
患者肿瘤相关临床组学数据具体包括:①患者个人基本数据:性别、年龄、体重、KPS评分。②肿瘤TNM分期数据:原发灶T分期、淋巴结N分期、肺门淋巴结转移个数、纵膈淋巴结转移个数、隆突下淋巴结转移情况、颈部等肺外淋巴结转移个数、淋巴结是否跳跃转移、肿瘤包膜是否完好、是否有胸水、术前术后肿瘤标志物变化比例。③基因突变数据:EGFR、ALK、HER2、ERCC1基因是否突变。
数据收集完毕后,CT影像数据处理子模块对CT影像数据进行三维重建以及重点区域的分割,生成三维CT数据样本。肿瘤病理数据处理子模块对术后肿瘤组织病理二维图像数据进行裁切与缩放,生成待分析二维组织病理样本。肿瘤临床数据处理子模块根据患者肿瘤相关临床数据对待分析对应数据特征进行赋值,建立肿瘤相关临床数据样本。
由上三类数据样本所组成的当前患者的待分析输入数据样本,由特征提取模块提取样本特征。
对于三维CT影像待分析数据样本,三维CT影像特征提取模块建立3-D卷积神经网络(CNN)利用深度学习技术对其进行特征提取。
对于二维术后肿瘤组织病理数据样本,二维组织病理特征提取模块建立2-D CNN网络对其进行特征提取。
对于肿瘤相关临床数据样本,临床数据特征提取模块首先对其进行标准化处理,建立18维肿瘤相关临床数据输入特征向量。
上述所提取的多维度特征,将作为输入特征向量,通过AI集群网络进行集群分析:
其中对于3-D CNN网络所提取的患者术前CT重点区域影像学特征,CT影像数据复发风险评估子模块建立RBF-SVC1网络进行“短期复发转移/非短期复发转移”二元判断,将判断过程中RBF-SVC1网络输出的概率数值经归一化处理,作为患者三维CT影像学数据所表现的短期复发/转移风险概率预测评估结果。
对于2-D CNN网络所提取的患者术后肿瘤组织病理二维图像数据特征,肿瘤病理数据复发风险评估子模块建立RBF-SVC2网络进行“短期复发转移/非短期复发转移”二元判断,将判断过程中RBF-SVC2网络输出的概率数值经归一化处理,作为患者术后二维肿瘤组织病理数据所表现的短期复发/转移风险概率预测评估结果。
对于肿瘤相关临床数据输入特征向量,肿瘤临床数据复发风险评估子模块建立集成评估网络学习器,分为两个阶段进行集群预测与评估。第一阶段:建立RBF-SVC3网络与RBF-NN网络,分别以肿瘤相关临床数据输入特征向量为网络输入,进行独立的患者短期复发/转移风险评估,并输出量化风险概率结果。第二阶段:根据RBF-SVC3、RBF-NN网络在测试数据集中的表现,对其输出的量化风险概率进行加权平均,权重总和为1。将加权平均风险概率输出作为肿瘤相关临床数据数据所表现的短期复发/转移风险概率预测评估结果。
如图4所示,在术后短期复发风险概率评估过程中所建立的3-D CNN-SVC1网络结构包括由3-D卷积核构成的多层卷积—池化层、Dropout层、全连接层以及RBF-SVC1预测判别层。其中池化层选择Max-pooling方式,全连接层之前的各层均使用ReLu作为激活函数。
如图5所示,所述系统中建立的2-D CNN-SVC2网络结构包括由2-D卷积核组成的多个卷积---池化层、Dropout层、全连接层以及RBF-SVC2预测判别层。其中池化层选择Max-pooling方式,全连接层之前的各层均使用ReLu作为激活函数。
如图6所示,为ANFIS网络结构。将所获得的3组患者术后短期复发/转移量化概率结果作为输入特征向量,建立ANFIS网络进行最终的集成风险评估。并根据输入特征向量输出患者短期内复发/转移量化风险概率与复发/转移危险等级。
输入模糊化层中,ANFIS网络将上述获得的3组患者复发/转移风险概率分别划分为“高危、中等、低危”三个模糊集合。所述模糊推理逻辑规则为:
Ri:If xi is A1 i and x2is A2 i and...and xm is Am i
then fi(x)=a0 i+a1 ix+a2 ix2+...+am ixm (1)
式中,Am i为划分的模糊集合。am i为线性结论参数,由最小二乘方法在ANFIS网络监督训练中确定。ANFIS网络隶属度函数选择为高斯函数,表达式如式2所示,
σ,μ为ANFIS网络非线性前提参数,由网络在反向梯度下降法训练中确定。至此ANFIS网络待训练参数由线性结论参与与非线性前提参数共同组成。二者在训练过程中的关系如表1所示:
表1.ANFIS网络参数训练方式
ANFIS网络输出结果由两部分组成,第一部分仍然为归一化后的患者短期复发/转移量化概率风险。第二部分则根据第一部分计算获得的量化概率风险与设定阈值进行比对,将患者短期复发/转移风险分为“高危”、“中等”、“低危”三个程度。
患者复发/转移量化风险概率与危险程度共同组成了所述方法的最终输出结果,为临床医生的术后进一步综合治疗方案选择提供辅助。
为验证所提系统的有效性,收集537例NSCLC根治术后患者的相关临床数据交于系统评估。患者短期复发/转移指根治术后3-12个月以内确诊的复发/转移患者。537例临床测试样本中,215例患者证实出现复发/转移,其余322例则未发现复发/转移。图7a为测试集样本数据组成。图7b为所述系统法在复发/转移亚组数据中的分析结果。图7c为所述系统在未复发/转移亚组数据中的分析结果。本方法在测试数据集中,诊断高危样本数183例,中等危险样本数58例,低危样本数296例。诊断高危样本中,复发/转移样本数为177例,中等危险样本数中复发/转移样本数为27例,低危样本数中复发/转移样本数为11例。表2是系统测试过程中的各项性能指标及其计算方式。由于在系统实际使用过程中,评价为“中等”危险程度的样本复发/转移与否实际交由医生判断,所以在实验过程中,诊断为“中等”危险程度的样本视作系统无法给予清晰的诊断结果而划归为“评价错误”样本数。
表2.系统测试过程中的各项性能指标及其计算方式
实际复发/转移样本中方法检测出171例,未复发/转移样本中方法检测出285例。所述方法的预测对于NSCLC根治术后短期内复发/转移具有较高的预测准确率。为临床医生的后续治疗方案选择提供了有力的依据。
因此,本发明所公布的一种NSCLC患者术后短期复发转移风险预测系统,具有临床实用性强,预测准确率高的特点。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (8)
1.一种NSCLC患者术后短期复发转移风险评估系统,其特征在于,包括预处理模块、特征提取模块、AI网络集群风险评估模块和ANFIS网络集成风险评估模块;
所述预处理模块用于对患者多维度临床数据进行预处理;所述多维度临床数据包括:患者术前CT影像组学数据、肿瘤病理组学数据和肿瘤临床组学数据;
所述特征提取模块用于提取预处理后的三维CT影像数据样本、二维组织病理样本和肿瘤临床数据样本中的特征;
所述AI网络集群风险评估模块用于对提取的三维CT影像数据样本特征、二维组织病理样本特征和肿瘤临床数据样本特征进行复发风险概率评估;
所述ANFIS网络集成风险评估模块用于对所述复发风险概率评估结果进行二次学习,并获得最终的集成风险评估。
2.根据权利要求1所述的NSCLC患者术后短期复发转移风险评估系统,其特征在于,所述预处理模块包括数据整合模块和数据处理模块;数据整合模块用于对患者多维度临床数据进行存储、整理与分类;数据处理模块,用于对分类后的多维度临床数据进行预处理。
3.根据权利要求1所述的NSCLC患者术后短期复发转移风险评估系统,其特征在于,
所述患者术前CT影像组学数据,是指患者术前CT三维重建与重点区域分割的基础上所获得的待处理数据,其中,重点区域具体包括:原发灶区域、肺门区域以及纵膈区域;
所述肿瘤病理组学数据,是指患者在根治术后所采集肿瘤样本的二维组织病理在经过裁切与缩放后所形成的待分析数据样本;
所述肿瘤临床组学数据,包括:①患者个人基本数据:性别、年龄、体重、KPS评分;②肿瘤TNM分期数据:原发灶T分期、淋巴结N分期、肺门淋巴结转移个数、纵膈淋巴结转移个数、隆突下淋巴结转移情况、颈部肺外淋巴结转移个数、淋巴结是否跳跃转移、肿瘤包膜是否完好、是否有胸水、术前术后肿瘤标志物变化比例;③基因突变数据:EGFR、ALK、HER2、ERCC1基因是否突变。
4.根据权利要求2所述的NSCLC患者术后短期复发转移风险预测系统,其特征在于,所述数据处理模块包括:
CT影像数据处理子模块,用于对CT影像数据进行三维重建以及重点区域的分割,生成三维CT影像数据样本;
肿瘤病理数据处理子模块,用于对术后肿瘤病理切片二维图像数据进行裁切与缩放,生成待分析二维组织病理样本;
肿瘤临床数据处理子模块,用于综合患者肿瘤相关临床数据,并对其进行归一化,建立待分析肿瘤临床数据样本。
5.根据权利要求1所述的NSCLC患者术后短期复发转移风险评估系统,其特征在于,所述特征提取模块包括3-D CNN CT影像特征提取模块、2-D CNN组织病理特征提取模块和临床数据特征提取模块;
3-D CNN CT影像特征提取模块,用于建立3-D CNN网络以利用其深度学习技术对三维CT数据样本进行特征提取;
2-D CNN组织病理特征提取模块用于建立2-D CNN网络以提取二维组织病理样本特征;
临床数据特征提取模块,用于对肿瘤临床数据样本进行标准化处理并建立18维肿瘤临床数据输入特征向量。
6.根据权利要求1所述的NSCLC患者术后短期复发转移风险评估系统,其特征在于,所述AI网络集群风险评估模块包括:RBF-SVC1网络评估子模块,RBF-SVC2网络评估子模块,临床数据特征集成评估子模块;
RBF-SVC1网络评估子模块,用于将所提取三维CT影像数据样本特征作为输入特征向量,建立RBF-SVC1网络进行“短期复发转移/非短期复发转移”二元判断,并输出复发/转移量化风险概率作为患者三维CT影像数据所表现的短期复发/转移评估结果;
RBF-SVC2网络评估子模块,用于将所提取的二维组织病理样本特征作为输入特征向量,建立RBF-SVC2网络进行“短期复发转移/非短期复发转移”二元判断,并输出复发/转移量化风险概率作为患者二维病理数据所表现的短期复发/转移评估结果;
临床数据特征集成评估子模块,用于将所提取的18维肿瘤相关临床数据输入特征向量,建立集成评估网络学习器,对患者临床数据所表现的短期复发/转移风险进行评估。
7.根据权利要求6所述的NSCLC患者术后短期复发转移风险评估系统,其特征在于,所述集成评估网络学习器包括RBF-SVC3网络、RBF-NN网络和集成学习器;RBF-SVC3网络、RBF-NN网络用于将肿瘤临床数据输入特征向量作为网络输入,进行独立的患者短期复发/转移风险评估,并输出量化风险概率结果;集成学习器由Bagger加权平均方式实现,用于根据RBF-SVC3、RBF-NN网络在测试数据集中的表现,对其输出的量化风险概率进行加权平均,权重总和为1;并输出肿瘤临床数据所表现的短期复发/转移加权平均风险概率结果。
8.根据权利要求1所述的NSCLC患者术后短期复发转移风险评估系统,其特征在于,所述ANFIS网络集成风险评估模块中,ANFIS网络选择Sugeno型模糊规则;ANFIS网络由输入模糊化层、模糊推理层、归一化层、反模糊化层以及输出层组成,其中,输入模糊化层中,将所述AI网络集群风险评估模块输出的3组患者短期复发/转移风险概率预测评估结果作为输入特征向量,并分别划分为“高危、中等、低危”三个模糊集合,网络隶属度函数选择为高斯函数;输出层中,输出的结果包括归一化的患者短期复发/转移风险概率和复发/转移危险等级,所述复发/转移危险等级包括“高危”、“中等”和“低危”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910357273.4A CN110111892A (zh) | 2019-04-29 | 2019-04-29 | 一种nsclc患者术后短期复发转移风险评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910357273.4A CN110111892A (zh) | 2019-04-29 | 2019-04-29 | 一种nsclc患者术后短期复发转移风险评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110111892A true CN110111892A (zh) | 2019-08-09 |
Family
ID=67487522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910357273.4A Pending CN110111892A (zh) | 2019-04-29 | 2019-04-29 | 一种nsclc患者术后短期复发转移风险评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111892A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717894A (zh) * | 2019-09-20 | 2020-01-21 | 北京深睿博联科技有限责任公司 | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 |
CN110970133A (zh) * | 2019-12-10 | 2020-04-07 | 中国医学科学院肿瘤医院 | 一种crt风险评估方法和风险预测系统 |
CN110993106A (zh) * | 2019-12-11 | 2020-04-10 | 深圳市华嘉生物智能科技有限公司 | 一种结合病理图像和临床信息的肝癌术后复发风险预测方法 |
CN111370128A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院(上海市职业病防治院) | 一种肺癌患者预后预测系统及方法 |
CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
CN112216395A (zh) * | 2020-09-11 | 2021-01-12 | 中山大学孙逸仙纪念医院 | 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 |
CN112259231A (zh) * | 2020-10-20 | 2021-01-22 | 华中科技大学同济医学院附属协和医院 | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 |
CN112288683A (zh) * | 2020-06-30 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 基于多模态融合的肺结核病判定装置和方法 |
CN112562855A (zh) * | 2020-12-18 | 2021-03-26 | 深圳大学 | 一种肝细胞癌术后早期复发风险预测方法 |
CN113257413A (zh) * | 2021-06-22 | 2021-08-13 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
CN113517073A (zh) * | 2021-09-13 | 2021-10-19 | 生物岛实验室 | 肺癌手术后生存率预测方法和系统 |
CN113993475A (zh) * | 2020-05-20 | 2022-01-28 | 康坦手术股份有限公司 | 通过图像分析来预测病变复发的方法 |
CN117995398A (zh) * | 2024-01-17 | 2024-05-07 | 复旦大学附属肿瘤医院 | 一种基于临床-影像组学特征融合的早期非小细胞肺癌淋巴结转移风险预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
US20170193175A1 (en) * | 2015-12-30 | 2017-07-06 | Case Western Reserve University | Prediction of recurrence of non-small cell lung cancer |
CN107292127A (zh) * | 2017-06-08 | 2017-10-24 | 南京高新生物医药公共服务平台有限公司 | 预测肺癌病人预后的基因表达分类器及其构建方法 |
-
2019
- 2019-04-29 CN CN201910357273.4A patent/CN110111892A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170193175A1 (en) * | 2015-12-30 | 2017-07-06 | Case Western Reserve University | Prediction of recurrence of non-small cell lung cancer |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN107292127A (zh) * | 2017-06-08 | 2017-10-24 | 南京高新生物医药公共服务平台有限公司 | 预测肺癌病人预后的基因表达分类器及其构建方法 |
Non-Patent Citations (8)
Title |
---|
AHMED HOSNY: ""Deep learning for lung cancer prognostication: A retrospective multi-cohort radiomics study"", 《PLOS MEDICINE》 * |
权太范: "《信息融合 神经网络-模糊推理理论与应用》", 31 August 2002 * |
王强修: "《肺癌诊断与治疗 第2版》", 31 January 2018 * |
理想几岁: ""机器学习——集成学习(Ensemble Learning)"", 《博客园》 * |
罗蔓: ""结合MRI多模态信息与3D-CNNS特征提取的脑肿瘤分割研究"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
耿立国: ""早期非小细胞肺癌预后影响因素及预测方法研究"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
邵志敏: "《乳腺原位癌》", 30 September 2017, 复旦大学出版社 * |
陈继光: "《MATLAB与自适应神经网络模糊推理系统》", 30 March 2002 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717894A (zh) * | 2019-09-20 | 2020-01-21 | 北京深睿博联科技有限责任公司 | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 |
CN110717894B (zh) * | 2019-09-20 | 2022-08-23 | 北京深睿博联科技有限责任公司 | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 |
CN110970133A (zh) * | 2019-12-10 | 2020-04-07 | 中国医学科学院肿瘤医院 | 一种crt风险评估方法和风险预测系统 |
CN110970133B (zh) * | 2019-12-10 | 2023-03-21 | 中国医学科学院肿瘤医院 | 一种crt风险评估方法和风险预测系统 |
CN110993106A (zh) * | 2019-12-11 | 2020-04-10 | 深圳市华嘉生物智能科技有限公司 | 一种结合病理图像和临床信息的肝癌术后复发风险预测方法 |
CN111370128A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院(上海市职业病防治院) | 一种肺癌患者预后预测系统及方法 |
CN113993475A (zh) * | 2020-05-20 | 2022-01-28 | 康坦手术股份有限公司 | 通过图像分析来预测病变复发的方法 |
CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
CN111640503B (zh) * | 2020-05-29 | 2023-09-26 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
CN112288683A (zh) * | 2020-06-30 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 基于多模态融合的肺结核病判定装置和方法 |
CN112216395A (zh) * | 2020-09-11 | 2021-01-12 | 中山大学孙逸仙纪念医院 | 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 |
CN112259231A (zh) * | 2020-10-20 | 2021-01-22 | 华中科技大学同济医学院附属协和医院 | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 |
CN112562855A (zh) * | 2020-12-18 | 2021-03-26 | 深圳大学 | 一种肝细胞癌术后早期复发风险预测方法 |
CN112562855B (zh) * | 2020-12-18 | 2021-11-02 | 深圳大学 | 一种肝细胞癌术后早期复发风险预测方法、介质及终端设备 |
CN113257413B (zh) * | 2021-06-22 | 2021-10-19 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
CN113257413A (zh) * | 2021-06-22 | 2021-08-13 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
CN113517073B (zh) * | 2021-09-13 | 2022-04-12 | 生物岛实验室 | 肺癌手术后生存率预测模型构建方法和预测模型系统 |
CN113517073A (zh) * | 2021-09-13 | 2021-10-19 | 生物岛实验室 | 肺癌手术后生存率预测方法和系统 |
CN117995398A (zh) * | 2024-01-17 | 2024-05-07 | 复旦大学附属肿瘤医院 | 一种基于临床-影像组学特征融合的早期非小细胞肺癌淋巴结转移风险预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111892A (zh) | 一种nsclc患者术后短期复发转移风险评估系统 | |
Markey et al. | Self-organizing map for cluster analysis of a breast cancer database | |
Lee et al. | Axillary lymph node metastasis status prediction of early-stage breast cancer using convolutional neural networks | |
Dundar et al. | Computerized classification of intraductal breast lesions using histopathological images | |
CN109658411A (zh) | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 | |
Li et al. | Classification of breast mass in two‐view mammograms via deep learning | |
Dequidt et al. | Exploring radiologic criteria for glioma grade classification on the BraTS dataset | |
Yu et al. | A diagnostic prediction framework on auxiliary medical system for breast cancer in developing countries | |
Zhang et al. | Classification of digital pathological images of non‐Hodgkin's lymphoma subtypes based on the fusion of transfer learning and principal component analysis | |
Li et al. | 3D tumor detection in automated breast ultrasound using deep convolutional neural network | |
Wang et al. | Deep learning-based, computer-aided classifier developed with dermoscopic images shows comparable performance to 164 dermatologists in cutaneous disease diagnosis in the Chinese population | |
Jang et al. | Image-based deep learning model for predicting pathological response in rectal cancer using post-chemoradiotherapy magnetic resonance imaging | |
Wang et al. | SC‐Dynamic R‐CNN: A Self‐Calibrated Dynamic R‐CNN Model for Lung Cancer Lesion Detection | |
Jiang et al. | Intratumoral analysis of digital breast tomosynthesis for predicting the Ki‐67 level in breast cancer: a multi‐center radiomics study | |
Zhang et al. | Trustworthy learning with (un) sure annotation for lung nodule diagnosis with CT | |
Chen et al. | Skin cancer classification with deep convolutional neural networks | |
Nesamani | Evaluation of machine learning classifiers in breast cancer diagnosis | |
Sarada et al. | Brain tumor classification using modified ResNet50V2 deep learning model | |
Vasista et al. | Predicting breast cancer using classical machine learning and deep learning algorithms | |
Parvatikar et al. | Prototypical models for classifying high-risk atypical breast lesions | |
Shourie et al. | Colon and lung cancer classification of histopathological images using efficientnetb7 | |
Kumar et al. | Classification of Lung Cancer using Alex-ResNet based on Thoracic CT Images. | |
Sandhu et al. | Analysis of breast cancer in early stage by UsingMachine LearningAlgorithms: a review | |
Singh et al. | Hybrid ABC and black hole algorithm with genetic operators optimized SVM ensemble based diagnosis of breast cancer | |
Reddy et al. | Automatic pulmonary nodule detection in ct scans using xception, resnet50 and advanced convolutional neural networks models |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |