CN111369534A - 一种预测肺癌病理图像中基因突变的辅助系统及方法 - Google Patents
一种预测肺癌病理图像中基因突变的辅助系统及方法 Download PDFInfo
- Publication number
- CN111369534A CN111369534A CN202010148275.5A CN202010148275A CN111369534A CN 111369534 A CN111369534 A CN 111369534A CN 202010148275 A CN202010148275 A CN 202010148275A CN 111369534 A CN111369534 A CN 111369534A
- Authority
- CN
- China
- Prior art keywords
- lung cancer
- gene mutation
- image
- pathological
- module
- 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
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 142
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 141
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 141
- 206010064571 Gene mutation Diseases 0.000 title claims abstract description 90
- 230000001575 pathological effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 108700019961 Neoplasm Genes Proteins 0.000 claims abstract description 39
- 102000048850 Neoplasm Genes Human genes 0.000 claims abstract description 39
- 230000014509 gene expression Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 18
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000011282 treatment Methods 0.000 claims abstract description 14
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000003902 lesion Effects 0.000 claims description 11
- 201000011510 cancer Diseases 0.000 claims description 6
- 201000005243 lung squamous cell carcinoma Diseases 0.000 claims description 4
- 201000005249 lung adenocarcinoma Diseases 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000012188 paraffin wax Substances 0.000 claims description 3
- 208000000587 small cell lung carcinoma Diseases 0.000 claims description 3
- 201000009546 lung large cell carcinoma Diseases 0.000 claims description 2
- 201000001142 lung small cell carcinoma Diseases 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 102000001301 EGF receptor Human genes 0.000 description 3
- 108060006698 EGF receptor Proteins 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 229940121358 tyrosine kinase inhibitor Drugs 0.000 description 3
- 239000005483 tyrosine kinase inhibitor Substances 0.000 description 3
- 150000004917 tyrosine kinase inhibitor derivatives Chemical class 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 208000003849 large cell carcinoma Diseases 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000002626 targeted therapy Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 101150023956 ALK gene Proteins 0.000 description 1
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 239000005411 L01XE02 - Gefitinib Substances 0.000 description 1
- 239000002146 L01XE16 - Crizotinib Substances 0.000 description 1
- 206010023774 Large cell lung cancer Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 206010041067 Small cell lung cancer Diseases 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- KTEIFNKAUNYNJU-GFCCVEGCSA-N crizotinib Chemical compound O([C@H](C)C=1C(=C(F)C=CC=1Cl)Cl)C(C(=NC=1)N)=CC=1C(=C1)C=NN1C1CCNCC1 KTEIFNKAUNYNJU-GFCCVEGCSA-N 0.000 description 1
- 229960005061 crizotinib Drugs 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- XGALLCVXEZPNRQ-UHFFFAOYSA-N gefitinib Chemical compound C=12C=C(OCCCN3CCOCC3)C(OC)=CC2=NC=NC=1NC1=CC=C(F)C(Cl)=C1 XGALLCVXEZPNRQ-UHFFFAOYSA-N 0.000 description 1
- 229960002584 gefitinib Drugs 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 208000000649 small cell carcinoma Diseases 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16B20/30—Detection of binding sites or motifs
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Genetics & Genomics (AREA)
- Analytical Chemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种预测肺癌病理图像中基因突变的辅助系统及方法，涉及神经网络。包括：第一获取模块，获得数字病理图像并根据肺癌类别进行标注获得标注图像；第二获取模块，对病灶区的肿瘤进行基因测序获得基因突变数据；生成模块，将标注图像和与基因突变数据生成训练数据组；分组模块，将训练数据组分成训练集和测试集；训练模块，将训练集进行训练获得肺癌基因突变判断模型；测试模块，将测试集输入到肺癌基因突变判断模型中进行测试获得基因表达量；处理模块，根据基因表达量与对应的基因突变数据得到预测准确率，不小于准确率阈值时保存肺癌基因突变判断模型。具有以下有益效果：预测患者基因突变的可能，提前进行相应治疗。
Description
技术领域
本发明涉及神经网络领域，尤其涉及一种预测肺癌病理图像中基因突变的辅助系统及方法。
背景技术
肺癌是全球最常见的恶性肿瘤之一，而且预后差，5年生存率仅有18％。是肿瘤相关死亡率最高的癌症。不同的病理类型相应的治疗方案也不同，对于罹患腺癌的患者，近年来新兴的基于基因组学而发展的针对驱动基因的靶向治疗具有重要意义。靶向治疗是利用具有一定特异性的载体，将药物或者其他具有杀伤肿瘤细胞的活性物质选择性的运送到肿瘤部位，将治疗作用或药物效应尽量限定在特定的靶细胞、组织和器官内，而不会影响正常细胞、组织和器官的功能，从而提高疗效、减少对肿瘤病人的毒副作用的一种癌症治疗手段。这种治疗方法具有高选择性、可以稳、准、狠的打击到肿瘤细胞，如靶向特定表皮生长因子受体(EGFR)突变的酪氨酸激酶抑制剂(TKI)吉非替尼、靶向ALK基因的TKI克唑替尼等已经成为了肺癌精准医学不可或缺的重要组分。然而靶向治疗有效的前提必须是患者存在EGFR或者ALK基因突变阳性，因此选择靶向药物之前需要明确病人的驱动基因状态。
对患者活检或者外科手术切除后的肿瘤病理标本进行全基因突变检测是明确患者基因突变类型的标准方法，然而在临床的工作流程中，病人的组织病理标本通常是利用显微镜将其放大20倍或者40倍生成巨大的二维图像以供病理医师分析，这种方法通常会由于难以全面分析整张切片的特征而造成漏诊、误诊，除此之外，昂贵的基因测序费用也限制了分子检测的推广，这些问题都在一定程度上影响了肺癌精准医疗在临床实践中的推广规模。
随着计算机技术的发展，人工智能、医疗大数据挖掘等技术逐渐进入医疗领域，深度学习算法已经开始应用于医学图像处理，它指对深层神经网络进行一系列有效训练的技术方法，可直接提取图像深层特征信息，并自动学习，卷积神经网络模型(ConvolutionalNeural Networks,CNN)是其中最具有代表性的一种。全片数字化病理(whole slideimages,WSI)的出现为开发CNN辅助病理医师诊断提供机会。训练后的CNN模型可以不受专业因素的限制，全面而准确的获取病理切片的特征，适用于大数据量的WSI图像分析，然而CNN算法模型的应用多集中在乳腺癌、前列腺癌、结直肠癌、头部肿瘤等领域，肺部肿瘤异质性高、数据纷乱复杂，目前针对肺癌病理图像分析、预测基因突变的研究仍很少。
发明内容
本发明为了解决上述问题，现提出预测肺癌病理图像中基因突变的辅助系统，包括：
第一获取模块，用于对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；
第二获取模块，用于对所述病灶区的肿瘤进行基因测序获得与所述标注图像关联的所述肺癌类别相对应的基因突变数据；
生成模块，分别连接所述第一获取模块和所述第二获取模块，用于将所述标注图像和与所述标注图像相对应的所述基因突变数据进行融合，生成训练数据组；
分组模块，连接所述生成模块，用于将所述训练数据组分成一训练集和一测试集；
训练模块，连接所述分组模块，用于将所述训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；
测试模块，连接所述训练模块，用于将所述测试集输入到所述肺癌基因突变判断模型中进行测试获得所述测试集中的所述标注图像关联的所述肺癌类别对应的基因表达量；
处理模块，连接所述测试模块，用于根据所述基因表达量与对应的所述基因突变数据处理得到所述肺癌基因突变判断模型的预测准确率，并在所述预测准确率不小于预设的准确率阈值时，保存所述所述肺癌基因突变判断模型；
医生根据所述肺癌基因突变判断模型处理得到的所述肺癌患者的表征所述肺癌类别的所述基因表达量，以及所述肺癌患者的临床特征给出所述肺癌患者的治疗指导意见。
优选的，所述第一获取模块包括：
扫描单元，用于获取若干肺癌患者的病理切片，并分别对各所述病理切片进行扫描获得数字病理图像；
标注单元，连接所述扫描单元，用于对所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。
优选的，所述肺癌类别为肺鳞癌，或肺腺癌，或小细胞癌，或大细胞癌。
优选的，所述病理切片为冰冻切片。
优选的，所述病理切片为石蜡切片。
一种预测肺癌病理图像中基因突变的辅助方法，应用于预测肺癌病理图像中基因突变的辅助系统，包括以下步骤：
步骤S1，对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；
步骤S2，对所述病灶区的肿瘤进行基因测序获得与所述标注图像关联的所述肺癌类别相对应的基因突变数据；
步骤S3，将所述标注图像和与所述标注图像相对应的所述基因突变数据进行融合，生成训练数据组；
步骤S4，将所述训练数据组分成一训练集和一测试集；
步骤S5，将所述训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；
步骤S6，将所述测试集输入到所述肺癌基因突变判断模型中进行测试获得所述测试集中的所述标注图像关联的所述肺癌类别对应的基因表达量；
步骤S7，根据所述基因表达量与对应的所述基因突变数据处理得到所述肺癌基因突变判断模型的预测准确率，并在所述预测准确率不小于预设的准确率阈值时，保存所述所述肺癌基因突变判断模型；
医生根据所述肺癌基因突变判断模型处理得到的所述肺癌患者的表征所述肺癌类别的所述基因表达量，以及所述肺癌患者的临床特征给出所述肺癌患者的治疗指导意见。
优选的，所述步骤S1包括：
步骤S11，获取若干肺癌患者的病理切片，并分别对各所述病理切片进行扫描获得数字病理图像；
步骤S12，对所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。
具有以下有益效果：
本发明通过将数字病理图像的肺癌类别和基因突变数据相关联，从而获得通过肺癌病理图像来预测患者基因突变的可能性，提前进行相应治疗。
附图说明
图1为本发明较佳的实施例中，一种预测肺癌病理图像中基因突变的辅助系统的结构示意图；
图2为本发明较佳的实施例中，一种预测肺癌病理图像中基因突变的辅助方法流程示意图；
图3为本发明较佳的实施例中，标注图像的获得流程示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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作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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明为了解决上述问题，现提出预测肺癌病理图像中基因突变的辅助系统，如图1所示，包括：
第一获取模块1，用于对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；
第二获取模块2，用于对病灶区的肿瘤进行基因测序获得与标注图像关联的肺癌类别相对应的基因突变数据；
生成模块3，分别连接第一获取模块1和第二获取模块2，用于将标注图像和与标注图像相对应的基因突变数据进行融合，生成训练数据组；
分组模块4，连接生成模块3，用于将训练数据组分成一训练集和一测试集；
训练模块5，连接分组模块4，用于将训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；
测试模块6，连接训练模块5，用于将测试集输入到肺癌基因突变判断模型中进行测试获得测试集中的标注图像关联的肺癌类别对应的基因表达量；
处理模块7，连接测试模块6，用于根据基因表达量与对应的基因突变数据处理得到肺癌基因突变判断模型的预测准确率，并在预测准确率不小于预设的准确率阈值时，保存肺癌基因突变判断模型；
医生根据肺癌基因突变判断模型处理得到的肺癌患者的表征肺癌类别的基因表达量，以及肺癌患者的临床特征给出肺癌患者的治疗指导意见。
具体地，本实施例中，本发明为了解决通过肺癌患者的肺癌类型和基因突变之间的关系，提供给医生辅助治疗肺癌的目的，第一获取模块1，对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将数字病理图像中的病灶区根据肺癌类别由丰富经验的医生进行标注获得标注图像，从而作为学习的第一样本；第二获取模块2，对病灶区的肿瘤进行基因测序获得与标注图像关联的肺癌类别相对应的基因突变数据，将获得的基因突变数据作为和第一样本相对应的第二样本；再通过生成模块3将第一样本和第二样本进行融合获得训练数据组，从而完成了训练数据的准备工作；再通过分组模块4，将上述训练数据组分成一训练集和一测试集；分别用于后期模型的训练和测试，训练模块5，将训练集中的训练数据输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型，实现模型的建立；测试模块6，将测试集输入到肺癌基因突变判断模型中进行测试获得测试集中的标注图像关联的肺癌类别对应的基因表达量，处理模块7，在根据基因表达量与对应的基因突变数据处理得到肺癌基因突变判断模型的预测准确率，并在预测准确率不小于预设的准确率阈值时，保存肺癌基因突变判断模型，通过预测准确率来判断模型是否完善，并在准确率不低于预设的准确率阈值时则说明模型可以用于肺癌基因突变的一个预测判断，医生根据肺癌基因突变判断模型处理得到的肺癌患者的表征肺癌类别的基因表达量，以及肺癌患者的临床特征给出肺癌患者的治疗指导意见。
本发明较佳的实施例中，第一获取模块1包括：
扫描单元11，用于获取若干肺癌患者的病理切片，并分别对各病理切片进行扫描获得数字病理图像；
标注单元12，连接扫描单元11，用于对数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。
具体地，本实施例中，首先从病理切片获得数字病理图像，再有经验丰富的医生对获得的数字病理图像进行标注得到标注的标注图像，用于后期模型训练和测试的基础。
本发明较佳的实施例中，肺癌类别为肺鳞癌，或肺腺癌，或小细胞癌，或大细胞癌。
具体地，本实施例中，常规肺癌的类别都适合本基因突变的辅助系统的预测，包括但不限于肺鳞癌、肺腺癌、小细胞癌和大细胞癌。
本发明较佳的实施例中，病理切片为冰冻切片。
本发明较佳的实施例中，病理切片为石蜡切片。
一种预测肺癌病理图像中基因突变的辅助方法，应用于预测肺癌病理图像中基因突变的辅助系统，如图2所示，包括以下步骤：
步骤S1，对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；
步骤S2，对病灶区的肿瘤进行基因测序获得与标注图像关联的肺癌类别相对应的基因突变数据；
步骤S3，将标注图像和与标注图像相对应的基因突变数据进行融合，生成训练数据组；
步骤S4，将训练数据组分成一训练集和一测试集；
步骤S5，将训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；
步骤S6，将测试集输入到肺癌基因突变判断模型中进行测试获得测试集中的标注图像关联的肺癌类别对应的基因表达量；
步骤S7，根据基因表达量与对应的基因突变数据处理得到肺癌基因突变判断模型的预测准确率，并在预测准确率不小于预设的准确率阈值时，保存肺癌基因突变判断模型；
医生根据肺癌基因突变判断模型处理得到的肺癌患者的表征肺癌类别的基因表达量，以及肺癌患者的临床特征给出肺癌患者的治疗指导意见。
本发明较佳的实施例中，如图3所示，步骤S1包括：
步骤S11，获取若干肺癌患者的病理切片，并分别对各病理切片进行扫描获得数字病理图像；
步骤S12，对数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (7)
1.一种预测肺癌病理图像中基因突变的辅助系统，其特征在于，包括：
第一获取模块，用于对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；
第二获取模块，用于对所述病灶区的肿瘤进行基因测序获得与所述标注图像关联的所述肺癌类别相对应的基因突变数据；
生成模块，分别连接所述第一获取模块和所述第二获取模块，用于将所述标注图像和与所述标注图像相对应的所述基因突变数据进行融合，生成训练数据组；
分组模块，连接所述生成模块，用于将所述训练数据组分成一训练集和一测试集；
训练模块，连接所述分组模块，用于将所述训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；
测试模块，连接所述训练模块，用于将所述测试集输入到所述肺癌基因突变判断模型中进行测试获得所述测试集中的所述标注图像关联的所述肺癌类别对应的基因表达量；
处理模块，连接所述测试模块，用于根据所述基因表达量与对应的所述基因突变数据处理得到所述肺癌基因突变判断模型的预测准确率，并在所述预测准确率不小于预设的准确率阈值时，保存所述所述肺癌基因突变判断模型；
医生根据所述肺癌基因突变判断模型处理得到的所述肺癌患者的表征所述肺癌类别的所述基因表达量，以及所述肺癌患者的临床特征给出所述肺癌患者的治疗指导意见。
2.根据权利要求1所述的预测肺癌病理图像中基因突变的辅助系统，其特征在于，所述第一获取模块包括：
扫描单元，用于获取若干肺癌患者的病理切片，并分别对各所述病理切片进行扫描获得数字病理图像；
标注单元，连接所述扫描单元，用于对所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。
3.根据权利要求1所述的预测肺癌病理图像中基因突变的辅助系统，其特征在于，所述肺癌类别为肺鳞癌，或肺腺癌，或小细胞癌，或大细胞癌。
4.根据权利要求1所述的预测肺癌病理图像中基因突变的辅助系统，其特征在于，所述病理切片为冰冻切片。
5.根据权利要求1所述的预测肺癌病理图像中基因突变的辅助系统，其特征在于，所述病理切片为石蜡切片。
6.一种预测肺癌病理图像中基因突变的辅助方法，其特征在于，应用于如权利要求1-5所述的任意一项预测肺癌病理图像中基因突变的辅助系统，包括：
步骤S1，对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；
步骤S2，对所述病灶区的肿瘤进行基因测序获得与所述标注图像关联的所述肺癌类别相对应的基因突变数据；
步骤S3，将所述标注图像和与所述标注图像相对应的所述基因突变数据进行融合，生成训练数据组；
步骤S4，将所述训练数据组分成一训练集和一测试集；
步骤S5，将所述训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；
步骤S6，将所述测试集输入到所述肺癌基因突变判断模型中进行测试获得所述测试集中的所述标注图像关联的所述肺癌类别对应的基因表达量；
步骤S7，根据所述基因表达量与对应的所述基因突变数据处理得到所述肺癌基因突变判断模型的预测准确率，并在所述预测准确率不小于预设的准确率阈值时，保存所述所述肺癌基因突变判断模型；
医生根据所述肺癌基因突变判断模型处理得到的所述肺癌患者的表征所述肺癌类别的所述基因表达量，以及所述肺癌患者的临床特征给出所述肺癌患者的治疗指导意见。
7.根据权利要求6所述的预测肺癌病理图像中基因突变的辅助方法，其特征在于，所述步骤S1包括：
步骤S11，获取若干肺癌患者的病理切片，并分别对各所述病理切片进行扫描获得数字病理图像；
步骤S12，对所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010148275.5A CN111369534A (zh) | 2020-03-05 | 2020-03-05 | 一种预测肺癌病理图像中基因突变的辅助系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010148275.5A CN111369534A (zh) | 2020-03-05 | 2020-03-05 | 一种预测肺癌病理图像中基因突变的辅助系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111369534A true CN111369534A (zh) | 2020-07-03 |
Family
ID=71211670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010148275.5A Pending CN111369534A (zh) | 2020-03-05 | 2020-03-05 | 一种预测肺癌病理图像中基因突变的辅助系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111369534A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986802A (zh) * | 2020-08-14 | 2020-11-24 | 上海市肺科医院 | 一种肺腺癌病理分化等级的辅助判定系统及方法 |
| CN113077875A (zh) * | 2021-03-23 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
| CN114155910A (zh) * | 2021-11-12 | 2022-03-08 | 哈尔滨工业大学 | 一种癌症体细胞突变功能影响预测方法 |
| CN115861303A (zh) * | 2023-02-16 | 2023-03-28 | 四川大学 | 基于肺部ct图像的egfr基因突变检测方法和系统 |
| CN113744801B (zh) * | 2021-09-09 | 2023-05-26 | 首都医科大学附属北京天坛医院 | 肿瘤类别的确定方法、装置、系统、电子设备及存储介质 |
| CN117408997A (zh) * | 2023-12-13 | 2024-01-16 | 安徽省立医院(中国科学技术大学附属第一医院) | 非小细胞肺癌组织学图像egfr基因突变的辅助检测系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
| CN106468713A (zh) * | 2015-08-19 | 2017-03-01 | 上海东方肝胆外科医院 | Tsc2在判断索拉非尼治疗效果中的应用 |
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
| CN110564853A (zh) * | 2019-08-21 | 2019-12-13 | 上海交通大学医学院附属新华医院 | 调查肺癌临床病理与基因表达之间关系的方法 |
| CN110660055A (zh) * | 2019-09-25 | 2020-01-07 | 北京青燕祥云科技有限公司 | 疾病数据预测方法、装置、可读存储介质及电子设备 |
-
2020
- 2020-03-05 CN CN202010148275.5A patent/CN111369534A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106468713A (zh) * | 2015-08-19 | 2017-03-01 | 上海东方肝胆外科医院 | Tsc2在判断索拉非尼治疗效果中的应用 |
| CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
| CN110564853A (zh) * | 2019-08-21 | 2019-12-13 | 上海交通大学医学院附属新华医院 | 调查肺癌临床病理与基因表达之间关系的方法 |
| CN110660055A (zh) * | 2019-09-25 | 2020-01-07 | 北京青燕祥云科技有限公司 | 疾病数据预测方法、装置、可读存储介质及电子设备 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986802A (zh) * | 2020-08-14 | 2020-11-24 | 上海市肺科医院 | 一种肺腺癌病理分化等级的辅助判定系统及方法 |
| CN113077875A (zh) * | 2021-03-23 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
| CN113077875B (zh) * | 2021-03-23 | 2023-04-18 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
| CN113744801B (zh) * | 2021-09-09 | 2023-05-26 | 首都医科大学附属北京天坛医院 | 肿瘤类别的确定方法、装置、系统、电子设备及存储介质 |
| CN114155910A (zh) * | 2021-11-12 | 2022-03-08 | 哈尔滨工业大学 | 一种癌症体细胞突变功能影响预测方法 |
| CN115861303A (zh) * | 2023-02-16 | 2023-03-28 | 四川大学 | 基于肺部ct图像的egfr基因突变检测方法和系统 |
| CN115861303B (zh) * | 2023-02-16 | 2023-04-28 | 四川大学 | 基于肺部ct图像的egfr基因突变检测方法和系统 |
| CN117408997A (zh) * | 2023-12-13 | 2024-01-16 | 安徽省立医院(中国科学技术大学附属第一医院) | 非小细胞肺癌组织学图像egfr基因突变的辅助检测系统 |
| CN117408997B (zh) * | 2023-12-13 | 2024-03-08 | 安徽省立医院(中国科学技术大学附属第一医院) | 非小细胞肺癌组织学图像egfr基因突变的辅助检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369534A (zh) | 一种预测肺癌病理图像中基因突变的辅助系统及方法 | |
| Hofman et al. | Pathologists and liquid biopsies: to be or not to be? | |
| CN108474040A (zh) | 使用无细胞dna的基于群体的治疗推荐 | |
| CN106709278B (zh) | 一种非小细胞肺癌驱动基因筛选与功能分析的方法 | |
| CN108949990B (zh) | 一种检测egfr基因突变的试剂盒及方法 | |
| CN110277135B (zh) | 一种基于预期疗效选择个体化肿瘤新抗原的方法和系统 | |
| Sok et al. | Tissue-specific gene expression of head and neck squamous cell carcinoma in vivo by complementary DNA microarray analysis | |
| CN109943637A (zh) | 一种基于循环肿瘤dna突变检测的肝癌诊断及预后评估系统 | |
| CN111968742A (zh) | 一种肺癌基因突变的跨模态预测系统及方法 | |
| Hofman et al. | Predictive molecular pathology in non–small cell lung cancer in France: The past, the present and the perspectives | |
| Trindade et al. | Advances in the diagnosis and surveillance of Barrett’s esophagus (with videos) | |
| CN110055331A (zh) | 一种用于膀胱癌辅助诊断或筛查的试剂盒及其应用 | |
| 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 | |
| CN109082468A (zh) | 检测egfr基因19外显子突变的试剂盒及方法 | |
| CN110607370B (zh) | 一种用于人体肿瘤分子分型的基因组合及其应用 | |
| KR102683687B1 (ko) | 포르말린 고정 파라핀 포매된 샘플에서 생성된 dna 시컨싱 데이터에서 딥러닝을 이용한 체세포 변이와 인공 변이의 구별 방법 및 이를 이용한 장치 | |
| CN115861303B (zh) | 基于肺部ct图像的egfr基因突变检测方法和系统 | |
| He et al. | Concordance of Genomic Profiles in Matched Tissue and Plasma Samples From Chinese Patients With Lung Cancer | |
| Moskalik et al. | Stimulated Raman histology | |
| Lechpammer et al. | Laser Capture Microdissection: a rising tool in genetic profiling of cancer | |
| Ravera | Metodi non invasivi di rilevamento del DNA tumorale circolante a finalità prognostiche e predittive nel carcinoma mammario in stadio iniziale | |
| Huss et al. | Digital Applications in Precision Pathology | |
| Jamalzadeh | Transcriptome-based characterization of treatment resistance mechanisms in high-grade serous carcinoma | |
| Idowu et al. | Integrative Approaches in Cancer Diagnostics: Advancing Precision Medicine through Data Integration and Analytical Techniques | |
| Mukherjee et al. | Precision Medicine in Lung Cancer Treatment. |
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: 20200703 |