CN110807785A - 一种非小细胞肺癌患者术后复发相关性因素研究方法 - Google Patents

一种非小细胞肺癌患者术后复发相关性因素研究方法 Download PDF

Info

Publication number
CN110807785A
CN110807785A CN201911061238.4A CN201911061238A CN110807785A CN 110807785 A CN110807785 A CN 110807785A CN 201911061238 A CN201911061238 A CN 201911061238A CN 110807785 A CN110807785 A CN 110807785A
Authority
CN
China
Prior art keywords
tumor
factors
small cell
lung cancer
cell lung
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
CN201911061238.4A
Other languages
English (en)
Inventor
聂生东
王旭
李丽
方蓉
骆义超
雷珍
周洁文
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201911061238.4A priority Critical patent/CN110807785A/zh
Publication of CN110807785A publication Critical patent/CN110807785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了一种在CT模态下基于多组学的非小细胞肺癌患者术后复发相关性因素研究方法，属于计算机辅助医学领域。本发明首先对肺部肿瘤进行分割和影像组学特征提取；然后，将影像组学特征与其他组学特征进行融合，得到肿瘤多组学特征原始数据集；其次，采用独立样本T检验方法对多组学特征数据以及患者复发情况进行单因素分析，得到具有统计学差异的复发相关因素；最后，将上述具有统计学差异的因素代入Logistic回归分析法中筛选出得到与非小细胞肺癌复发相关显著性特征因素，并构建模型进行验证。本发明为探寻CT模态下多组学特征和病人术后复发情况的关系提供了一种新的方案。

Description

一种非小细胞肺癌患者术后复发相关性因素研究方法
技术领域
本发明涉及计算机辅助医疗技术领域，尤其涉及一种非小细胞肺癌患者术后复发相关性因素研究方法。
背景技术
世界卫生组织(WHO)国际癌症研究机构(IARC)近日发布最新报告称，肺癌是全球范围内发病率和死亡率增长最快的恶性肿瘤，预计2018年将造成180万人死亡，占预计癌症死亡总人数的18.4％。根据组织学类型分类，肺癌分为非小细胞肺癌与小细胞肺癌，其中，非小细胞肺癌(non-small cell lung cancer，NSCLC)占肺癌患病总人数的80％～85％，包括鳞状细胞癌(鳞癌)、腺癌、大细胞癌。非小细胞肺癌相较于小细胞肺癌，生长分裂较慢，扩散转移较晚，致死性也相对较弱，但由于非小细胞肺癌在许多方面存在异质性，包括组织学类型、分子特征和驱动基因等，使得患者复发存在巨大差异，非小细胞肺癌患者的生存时间从几个月到7年不等。据报道，Ⅰ期肺癌患者的5年生存率约为67％，尽管通过手术彻底淋巴结清扫，约30％～40％的患者仍将死于复发。探究出有效的与NSCLC患者术后复发相关的因素，对于制订早期非小细胞肺癌患者有效的个性化治疗与管理策略、提高其生存率是十分必要的。
影像组学的概念最早由荷兰学者在2012年提出，其强调的深层次含义是指从影像(CT、MRI、PET等)中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断。影像组学可直观地理解为将视觉影像信息转化为深层次的特征来进行量化研究。CT影像数据拥有采集便易和结果易于比对等特点，作为影像组学数据库中的重要模态之一，在影像组学研究中得到广泛的应用。
近年来，国内外基于影像组学的计算机辅助诊断(computer aided diagnosis，CAD)技术和精准医疗(Precision Medicine)的研究越来越火热。CAD技术和精准医疗均需借助影像学手段，通过提取大量影像组学特征，并结合患者临床信息、基因组学信息、蛋白质组学信息等多组学信息，对肿瘤进行全面具体地量化分析，可以有效解决肿瘤异质性难以定量预测的问题，从而达到辅助临床诊断的目的。而利用提取的影像组学特征对患者术后复发情况进行相关性分析，构建复发预测模型预测患者的术后复发情况，从而更好地辅助医生对患者的治疗和复查方法进行选择。
从目前的国内外研究现状来看，非小细胞癌术后复发相关因素的研究普遍从两个角度出发：
一方面，采用欧洲癌症研究与治疗组织(European Organization for Researchon Treatment of Cancer，EORTC)发布的风险评分表，对癌症患者的术后复发风险进行预测。该模型主要采集肿瘤数目、尺寸、组织病理学分期、分级、有无原位癌以及复发次数6个指标，对患者术后1年或5年的复发率和进展率进行预测。但是，该预测模型只给出了复发风险的定性分层预测，综合预测性能偏低针对目前研究存在不足，受试者工作特征(receiveroperating characteristic，ROC)曲线下面积(area under curve，AUC)仅为0.6，远远达不到临床应用的要求；
另一方面，传统的临床研究方法根据病例样本的直观的临床特征(临床分期、吸烟史、组织学类型、分子特征和驱动基因等)作为病例样本的指标，通过统计学方法对临床特征与复发关系进行分析，得得到非小细胞肺癌的复发因素，帮助医生根据复发因素对非小细胞肺癌患者进行更加精准的术后复发预测，设计出更好的治疗与复查方案，以延长患者生存时间。而这类指标存在着局限性：1.所能利用的临床信息种类较少，且无法精确地量化(通常只能根据其有无，判定为0与1)，这种判断的方法无法区别出其之间细微的差别；2.能够量化的指标也往往只能在单组学内进行研究，无法与其他组学信息联合起来，所用信息面也较为狭窄，其预测判断的准确率也相对较低。
发明内容
本发明的目的在于提出一种具有良好的肺癌复发预测效果的非小细胞肺癌患者术后复发相关性因素研究方法。
为达到上述目的，本发明提出一种非小细胞肺癌患者术后复发相关性因素研究方法，包括以下步骤：
步骤1：处理CT影像；
步骤2：提取特征数据；
步骤3：对所述特征数据进行统计学处理；
步骤4：对处理结果进行实验验证。
优选的，在步骤1中；通过交互式医学影像控制系统Minics软件从CT影像中找到肿瘤并框选出其大致区域，得到肿瘤序列图像；
针对所述肿瘤序列图像，运用半自动分割方法分割出肿瘤，对不同类型的肿瘤采取不同的分割方案；
其中，孤立型肿瘤：取阈值分割算法和活动轮廓模型算法(Snakes模型)分割结果的交集；
粘连肺壁型肿瘤：首先，利用“滚球法”对肺区边缘进行修补；然后，参照孤立型肿瘤分割方法进一步分割，最后，检查上述分割结果，对过分割或欠分割情况进行人工修补；
粘连血管型肿瘤：利用吹球法分割出肿瘤，去除肿瘤区域粘连的血管部分，并对过分割或仍有未去除血管的情况进行人工修正。
优选的，所述吹球法分割粘连血管型肿瘤步骤如下：
步骤(1)：将血管粘连型肿瘤所在区域作为目标区域，求出该区域的最大内切圆，圆心坐标为(x0,y0)，半径为r0，将该内切圆作为初始模板；
步骤(2)：计算肿瘤在模板区域内的面积，并记为s1；
步骤(3)：保持模板圆心坐标不变，半径增加一个像素点，再次计算肿瘤在模板区域内的面积，并记为s2；
步骤(4)：计算s1与s2的差值，若|s1-s2|/s1<T，则将位于面积为s1的模板内的肿瘤区域作为修正后的肺肿瘤，否则回到步骤(2)，直到满足条件为止。其中，T为0-1之间的经验值；利用吹球法对血管粘连型肺肿瘤的修正主要是根据肿瘤的类圆性，且肿瘤与血管粘连部分往往较为细小；该方法一定程度上可以修正血管粘连型肺肿瘤。
优选的，在步骤2中，在肿瘤区域分割的基础上，提取258个定量的影像组学特征来描述肿瘤，同时将患者的13个其他组学信息特征与影像组学特征融合，得到原始特征数据集，同时对特征数据集进行归一化处理。
优选的，在步骤3中，采用独立样本T检验方法对CT影像组学特征数据以及患者复发情况进行单因素分析，得到具有统计学差异的复发相关因素；最后，将上述具有统计学差异的因素代入Logistic回归分析法中筛选出得到与非小细胞肺癌复发相关显著性特征因素。
优选的，在得到非小细胞肺癌复发的显著相关因素后，采取机器学习算法对相关性因素的分类鉴别能力进行检测，利用上述结果进行分类器模型训练，以患者的复发情况作为训练标签，验证实验结果的有效性；以准确率(ACC)、假阳性率(FPR)、ROC曲线下面积(AUC)作为指标，使用Leave-One-Out方法来证明术后复发相关因素验证实验的有效性。
与现有技术相比，本发明的优势之处在于：本发明的研究方法从影像组学角度出发，得到了数量更多、种类更为丰富且能够精确量化的影像组学特征，并将临床上难以定量评价的医学征象，通过数学建模的方法进行定量评价，从而反映肿瘤更多的隐含信息,可以有效解决肿瘤异质性难以定量预测的问题；同时本研究在影像组学的基础上结合了临床信息与肿瘤血液标志物进行肿瘤预后复发的多组学分析，对肿瘤进行全面具体地量化分析，进一步的提高了预测的准确性。
附图说明
图1为本发明实施例中非小细胞肺癌患者术后复发相关性因素研究方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案作进一步地说明。
如图1所示，本发明提出一种非小细胞肺癌患者术后复发相关性因素研究方法，包括以下步骤：
步骤1：CT影像的处理：通过交互式医学影像控制系统Minics软件从CT影像中找到肿瘤并框选出其大致区域，得到肿瘤序列图像。然后，运用半自动分割方法分割出肿瘤，对不同类型的肿瘤采取不同的分割方案：(1)孤立型肿瘤：取阈值分割算法和活动轮廓模型算法(Snakes模型)分割结果的交集；(2)粘连肺壁型肿瘤：首先，利用“滚球法”对肺区边缘进行修补。然后，参照孤立型肿瘤分割方法进一步分割，最后，检查上述分割结果，对过分割或欠分割情况进行人工修补；(3)粘连血管型肿瘤：利用“吹球法”分割出肿瘤，去除肿瘤区域粘连的血管部分，并对过分割或仍有未去除血管的情况进行人工修正。
吹球法分割血管粘连型肿瘤步骤如下：
步骤①、将血管粘连型肿瘤所在区域作为目标区域，求出该区域的最大内切圆，圆心坐标为(x0,y0)，半径为r0，将该内切圆作为初始模板；
步骤②、计算肿瘤在模板区域内的面积，并记为s1；
步骤③、保持模板圆心坐标不变，半径增加一个像素点，再次计算肿瘤在模板区域内的面积，并记为s2；
步骤④、计算s1与s2的差值，若|s1-s2|/s1<T，则将位于面积为1的模板内的肿瘤区域作为修正后的肺肿瘤，否则回到第②步，直到满足条件为止。其中，T为0-1之间的经验值。利用吹球法对血管粘连型肺肿瘤的修正主要是根据肿瘤的类圆性，且肿瘤与血管粘连部分往往较为细小。该方法一定程度上可以修正血管粘连型肺肿瘤。
以上分割结果均取自多次分割结果的综合考虑，以减少实验误差。
步骤2：特征数据提取：在肿瘤区域分割的基础上，提取了包括灰度特征、形态特征、纹理特征、医学征象在内的258个定量的影像组学特征来描述肿瘤，同时将患者的13个其他组学信息特征与影像组学特征融合，得到原始特征数据集，同时对特征数据集进行归一化处理，其中，258个定量的影像组学特征如表1所示。
步骤3：统计学处理：采用独立样本T检验方法对CT影像组学特征数据以及患者复发情况进行单因素分析，得到具有统计学差异的复发相关因素；最后，将上述具有统计学差异的因素代入Logistic回归分析法中筛选出得到与非小细胞肺癌复发相关显著性特征因素。
独立样本t检验是一种检验两个独立样本的均值是否显著相关的方法。独立样本t检验的一般步骤如下：
(1).根据要验证的结论提出原假设。
(2).根据实际情况选择待检验统计量并表示出统计量的分布情况。
(3).专业统计学分析软件会根据样本数据计算出t统计量的观测值Q，并根据步骤2中统计量的分布情况计算出Q的发生概率。
(4).根据计算出的P值、显著性水平等相关结果，做出假设检验的决策。
Logistic回归分析是一种广义的线性回归分析方法，常被用于数据挖掘、疾病诊断、事件预测等领域。Logistic回归分析主要应用于以下三个方面：一是探究危险因素，即寻找某疾病或者某事件发生的危险因素；二是对事件的发生进行预测，即根据建立的Logistic回归模型，预测在不同情况下，某事或某疾病发生的概率；三是对实际情况进行判别，根据Logistic回归模型判断某人患某种疾病或属于某种情况的概率大小。若想要使用Logistic回归分析的方法对数据进行处理，还需要满足以下几个条件：1.因变量为二分类的变量或者事件的发生概率，变量必须为数值变量。2.数据的因变量和残差都要服从二项分布。3.自变量和Logistic概率需要呈现线性关系。4.每个观测对象之间相互独立。
将得到的单因素分析结果带入Logistic回归模型进行多因素分析，得到进而得到与非小细胞肺癌复发的显著相关因素。
步骤4：验证实验：在得到非小细胞肺癌复发的显著相关因素后，采取机器学习算法对相关性因素的分类鉴别能力进行检测，利用上述结果进行分类器模型训练，以患者的复发情况作为训练标签，验证实验结果的有效性。以准确率(ACC)、假阳性率(FPR)、ROC曲线下面积(AUC)作为指标，使用Leave-One-Out方法来证明术后复发相关因素验证实验的有效性。
Figure BDA0002258004850000081
Figure BDA0002258004850000091
表1
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (6)

1.一种非小细胞肺癌患者术后复发相关性因素研究方法，其特征在于，包括以下步骤：
步骤1：处理CT影像；
步骤2：提取特征数据；
步骤3：对所述特征数据进行统计学处理；
步骤4：对处理结果进行实验验证。
2.根据权利要求1所述的非小细胞肺癌患者术后复发相关性因素研究方法，其特征在于，在步骤1中；通过交互式医学影像控制系统Minics软件从CT影像中找到肿瘤并框选出其大致区域，得到肿瘤序列图像；
针对所述肿瘤序列图像，运用半自动分割方法分割出肿瘤，对不同类型的肿瘤采取不同的分割方案；
其中，孤立型肿瘤：取阈值分割算法和活动轮廓模型算法(Snakes模型)分割结果的交集；
粘连肺壁型肿瘤：首先，利用“滚球法”对肺区边缘进行修补；然后，参照孤立型肿瘤分割方法进一步分割，最后，检查上述分割结果，对过分割或欠分割情况进行人工修补；
粘连血管型肿瘤：利用吹球法分割出肿瘤，去除肿瘤区域粘连的血管部分，并对过分割或仍有未去除血管的情况进行人工修正。
3.根据权利要求2所述的非小细胞肺癌患者术后复发相关性因素研究方法，其特征在于，所述吹球法分割粘连血管型肿瘤步骤如下：
步骤(1)：将血管粘连型肿瘤所在区域作为目标区域，求出该区域的最大内切圆，圆心坐标为(x0,y0)，半径为r0，将该内切圆作为初始模板；
步骤(2)：计算肿瘤在模板区域内的面积，并记为s1；
步骤(3)：保持模板圆心坐标不变，半径增加一个像素点，再次计算肿瘤在模板区域内的面积，并记为s2；
步骤(4)：计算s1与s2的差值，若|s1-s2|/s1<T，则将位于面积为s1的模板内的肿瘤区域作为修正后的肺肿瘤，否则回到步骤(2)，直到满足条件为止。其中，T为0-1之间的经验值；利用吹球法对血管粘连型肺肿瘤的修正主要是根据肿瘤的类圆性，且肿瘤与血管粘连部分往往较为细小；该方法一定程度上可以修正血管粘连型肺肿瘤。
4.根据权利要求2所述的非小细胞肺癌患者术后复发相关性因素研究方法，其特征在于，在步骤2中，在肿瘤区域分割的基础上，提取258个定量的影像组学特征来描述肿瘤，同时将患者的13个其他组学信息特征与影像组学特征融合，得到原始特征数据集，同时对特征数据集进行归一化处理。
5.根据权利要求4所述的非小细胞肺癌患者术后复发相关性因素研究方法，其特征在于，在步骤3中，采用独立样本T检验方法对CT影像组学特征数据以及患者复发情况进行单因素分析，得到具有统计学差异的复发相关因素；最后，将上述具有统计学差异的因素代入Logistic回归分析法中筛选出得到与非小细胞肺癌复发相关显著性特征因素。
6.根据权利要求5所述的非小细胞肺癌患者术后复发相关性因素研究方法，其特征在于，在得到非小细胞肺癌复发的显著相关因素后，采取机器学习算法对相关性因素的分类鉴别能力进行检测，利用上述结果进行分类器模型训练，以患者的复发情况作为训练标签，验证实验结果的有效性；以准确率(ACC)、假阳性率(FPR)、ROC曲线下面积(AUC)作为指标，使用Leave-One-Out方法来证明术后复发相关因素验证实验的有效性。
CN201911061238.4A 2019-11-01 2019-11-01 一种非小细胞肺癌患者术后复发相关性因素研究方法 Pending CN110807785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911061238.4A CN110807785A (zh) 2019-11-01 2019-11-01 一种非小细胞肺癌患者术后复发相关性因素研究方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911061238.4A CN110807785A (zh) 2019-11-01 2019-11-01 一种非小细胞肺癌患者术后复发相关性因素研究方法

Publications (1)

Publication Number Publication Date
CN110807785A true CN110807785A (zh) 2020-02-18

Family

ID=69501019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911061238.4A Pending CN110807785A (zh) 2019-11-01 2019-11-01 一种非小细胞肺癌患者术后复发相关性因素研究方法

Country Status (1)

Country Link
CN (1) CN110807785A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436741A (zh) * 2021-07-16 2021-09-24 四川大学华西医院 基于组织特异增强子区域dna甲基化的肺癌复发预测方法
CN115067978A (zh) * 2022-06-09 2022-09-20 北京积水潭医院 一种骨肉瘤疗效评估方法及系统
CN115565610A (zh) * 2022-09-29 2023-01-03 四川大学 基于多组学数据的复发转移分析模型建立方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1973778A (zh) * 2006-12-08 2007-06-06 南京大学 胃癌术后严重并发症风险度的预测方法
CN102800089A (zh) * 2012-06-28 2012-11-28 华中科技大学 基于颈部超声图像的主颈动脉血管提取和厚度测量方法
CN109658411A (zh) * 2019-01-21 2019-04-19 杭州英库医疗科技有限公司 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1973778A (zh) * 2006-12-08 2007-06-06 南京大学 胃癌术后严重并发症风险度的预测方法
CN102800089A (zh) * 2012-06-28 2012-11-28 华中科技大学 基于颈部超声图像的主颈动脉血管提取和厚度测量方法
CN109658411A (zh) * 2019-01-21 2019-04-19 杭州英库医疗科技有限公司 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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
J. ZHOU等: "Imprinted Genes Predict Non-Small Cell Lung Cancer Prognosis", vol. 978, no. 11, pages 158 - 161 *
张文等: "血清CEA、SCCA、CYFR21-1在肺腺癌中的表达及其与预后的关系", 《中国肿瘤外科杂志》, vol. 11, no. 05, pages 358 - 361 *
曹蕾: "肺结节图像的识别与分析", no. 1, pages 47 - 49 *
李来玲等: "血清NSE、CTC和ProGRP水平在小细胞肺癌诊断中的作用及治疗前后表达意义", 《临床肺科杂志》, vol. 24, no. 10, pages 1873 - 1877 *
王英等: "血清HE4、NSE、CYFRA21-1检测在肺癌诊断及淋巴结转移监测中的价值", 《现代肿瘤医学》, vol. 27, no. 01, pages 67 - 70 *
贾强等: "原发性肺癌患者血清中相关肿瘤标志物表达水平的变化及其临床意义", 《中西医结合心血管病电子杂志》, vol. 7, no. 29, pages 176 - 177 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436741A (zh) * 2021-07-16 2021-09-24 四川大学华西医院 基于组织特异增强子区域dna甲基化的肺癌复发预测方法
CN113436741B (zh) * 2021-07-16 2023-02-28 四川大学华西医院 基于组织特异增强子区域dna甲基化的肺癌复发预测方法
CN115067978A (zh) * 2022-06-09 2022-09-20 北京积水潭医院 一种骨肉瘤疗效评估方法及系统
CN115565610A (zh) * 2022-09-29 2023-01-03 四川大学 基于多组学数据的复发转移分析模型建立方法及系统

Similar Documents

Publication Publication Date Title
CN111028224B (zh) 数据标注、模型训练和图像处理方法、装置及存储介质
US11164312B2 (en) System and method to quantify tumor-infiltrating lymphocytes (TILs) for clinical pathology analysis based on prediction, spatial analysis, molecular correlation, and reconstruction of TIL information identified in digitized tissue images
Thawani et al. Radiomics and radiogenomics in lung cancer: a review for the clinician
CN107016665B (zh) 一种基于深度卷积神经网络的ct肺结节检测方法
Zhao et al. Toward automatic prediction of EGFR mutation status in pulmonary adenocarcinoma with 3D deep learning
WO2019084697A1 (en) Platform, device and process for annotation and classification of tissue specimens using convolutional neural network
CN110807785A (zh) 一种非小细胞肺癌患者术后复发相关性因素研究方法
US20120147010A1 (en) Graphical User Interface For Interpreting The Results Of Image Analysis
CN105653858A (zh) 一种基于影像组学的病变组织辅助预后系统和方法
CN1518719A (zh) 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和系统
Li et al. Molecular Subtypes Recognition of Breast Cancer in Dynamic Contrast‐Enhanced Breast Magnetic Resonance Imaging Phenotypes from Radiomics Data
CN108021788B (zh) 基于细胞游离dna的深度测序数据提取生物标记物的方法和装置
CN111369530A (zh) 一种基于深度学习的ct图像肺结节快速筛查方法
CN109801680A (zh) 基于tcga数据库的肿瘤转移复发预测方法及系统
KR102612400B1 (ko) 종양 이미지를 분석하여 암 예후에 대한 예측이 가능한 예측 모델의 학습 방법, 장치 및 프로그램
Yang et al. Development of a deep learning model for classifying thymoma as Masaoka-Koga stage I or II via preoperative CT images
Wen et al. A methodology for texture feature-based quality assessment in nucleus segmentation of histopathology image
Ozkan et al. Combined clinical and specific positron emission tomography/computed tomography-based radiomic features and machine-learning model in prediction of thymoma risk groups
Garg et al. Artificial intelligence and allied subsets in early detection and preclusion of gynecological cancers
Gao et al. Artificial-intelligence-based computed tomography histogram analysis predicting tumor invasiveness of lung adenocarcinomas manifesting as radiological part-solid nodules
Pulvirenti et al. Quantitative computed tomography image analysis to predict pancreatic neuroendocrine tumor grade
Wang et al. Radiomics and deep learning in nasopharyngeal carcinoma: a review
Wang et al. Can peritumoral regions increase the efficiency of machine-learning prediction of pathological invasiveness in lung adenocarcinoma manifesting as ground-glass nodules?
CN117218441A (zh) 一种基于级联卷积神经网络模型的肺结节分类方法
CN115881296A (zh) 一种甲状腺乳头状癌（ptc）风险辅助分层系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination