CN111370128A - 一种肺癌患者预后预测系统及方法 - Google Patents
一种肺癌患者预后预测系统及方法 Download PDFInfo
- Publication number
- CN111370128A CN111370128A CN202010148798.XA CN202010148798A CN111370128A CN 111370128 A CN111370128 A CN 111370128A CN 202010148798 A CN202010148798 A CN 202010148798A CN 111370128 A CN111370128 A CN 111370128A
- Authority
- CN
- China
- Prior art keywords
- lung cancer
- prognosis
- prediction
- data
- patient
- 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
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 109
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 109
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 109
- 238000004393 prognosis Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000001575 pathological effect Effects 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 54
- 230000004083 survival effect Effects 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000002372 labelling Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000003902 lesion Effects 0.000 claims description 10
- 230000007170 pathology Effects 0.000 claims description 7
- 210000001165 lymph node Anatomy 0.000 claims description 5
- 208000007433 Lymphatic Metastasis Diseases 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 239000012188 paraffin wax Substances 0.000 claims description 3
- 238000011282 treatment Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 206010028980 Neoplasm Diseases 0.000 description 10
- 201000011510 cancer Diseases 0.000 description 6
- 206010064571 Gene mutation Diseases 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000011226 adjuvant chemotherapy Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012333 histopathological diagnosis Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 208000022766 lymph node neoplasm Diseases 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- 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
- 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
- G06T2207/30—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)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种肺癌患者预后预测系统及方法，涉及神经网络。包括：标注模块，对数字病理图像进行标注获得标注图像；获取模块，获取与标注图像相对应的预后数据和生存时间；集合模块，将每个标注图像与预后数据和生存时间分别加入数据集合，生成训练数据组；分类模块，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患者预后预测模型；测试模块，将测试集输入到肺癌患者预后预测模型中得到相应的预测准确率；预测模块，用于将待检测患者的数字病理图像输入到肺癌患者预后预测模型，得到预测预后数据和预测生存时间。具有以下有益效果：医生根据预测结果制定治疗方案，提升治疗效果和延长生存时间。
Description
技术领域
本发明涉及神经网络领域，尤其涉及一种肺癌患者预后预测系统及方法。
背景技术
中国最新癌症流行病学统计显示2015年新增肺癌病人73万，死亡病人60万，肺癌已成为中国发病率和死亡率均居于首位的癌症。肺癌死亡例数占总体癌症死亡例数的25％。由于肺癌的高复发风险和低存活率，绝大多数处于IB-IIIA期的肺癌病人都会进行术后辅助化疗。但基于病灶残留程度、淋巴结转移情况、癌症分期等参数，即使是同样的治疗方案，病人总体预后也会大不相同。近年来，临床医生一直致力于寻找肺癌有关的独立预后因素。肿瘤大小和病理分级、淋巴结是否转移、受累淋巴结的数目和部位以及是否存在基因突变等都被发现是与肿瘤预后有关的因素，准确评估这些因素可以帮助我们正确筛选出具有高复发转移倾向的预后不良现象，从而为患者提供更个性化的治疗方案，对提高肺癌的疗效具有重要意义。
组织病理学诊断依旧是癌症诊断的“金标准”，病理图像中富含大量预后信息，但并非所有的病理图像都具有特征性以便临床病理医师辨认，且仅从定性角度分析病理切片也很难准确预测患者的生存结果。而目前在医疗领域中，预后研究的方法最主要还是依赖常规统计学方法中的生存分析方法，包括了Kaplan-Meier法、Logistic回归、Cox回归等。但随着研究的深入，人们得到与肺癌预后相关的分子标记物的信息量越来越多，临床数据迅猛增加，常规的统计学方法已经无法适应当今巨大信息量的需要。
随着计算机技术的不断发展，人工智能技术在医疗领域的发展潜力已经不容忽视，机器学习、深度学习等算法模型已经开始应用于医学图像处理，可直接提取图像深层特征信息，并自动学习训练模型，从识别肿瘤区域到提取隐藏的肿瘤特征应用都十分广泛，其具有的自组织、自适应、自学习的能力和非线性、非定常性和非局域性的特点可以用来解决非线性的预后预测问题。其中最具有代表性的卷积神经网络模型(CNN)在完成肿瘤组织病理学分型、肺癌患者基因突变分析、淋巴结肿瘤转移细胞检测等任务中有不俗的表现。为寻找病理切片中更多的可视化特征，有证据支持利用卷积神经网络对各种恶性肿瘤的预后评估也具有一定的可行性，但目前以病理为依托，系统的针对肺癌患者预后预测的卷积神经网络算法模型还有待开发，本发明为了解决上述问题，开发了一种通过患者的数字病理图像，即可预测肺癌患者预后情况的预后预测系统。
发明内容
本发明为了解决上述问题，现提出一种肺癌患者预后预测系统，包括：
标注模块，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关联肺癌病情的图像特征进行标注获得标注图像；
获取模块，用于获取与所述标注图像相对应的所述肺癌患者按预设时间间隔随访得到的若干随访数据和一生存时间，并对所述随访数据处理得到预后数据；
集合模块，分别连接所述标注模块和所述获取模块，用于将每个所述标注图像和与所述标注图像相对应的所述预后数据和所述生存时间分别加入一数据集合，并根据各所述数据集合生成训练数据组；
分类模块，连接所述集合模块，用于将所述训练数据组中的各所述数据集合分成一训练集和一测试集；
训练模块，连接所述分类模块，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患者预后预测模型；
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患者预后预测模型中得到相应的测试结果，并根据所述测试结果和对应的所述数据集合中的所述预后数据及所述生存时间处理得到所述预后预测模型的预测准确率；
预测模块，分别连接所述训练模块和所述测试模块，用于将待检测患者的所述数字病理图像输入到所述肺癌患者预后预测模型，得到所述待检测患者的对应于所述预设时间间隔的预测预后数据和预测生存时间，医生根据所述预测预后数据、所述预测生存时间和所述预测准确率为所述待检测患者制定相应的临床指导意见。
优选的，所述标注模块包括：
采集单元，用于获取若干肺癌患者的病理切片；
扫描单元，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关联肺癌病情图像特征进行标注获得标注图像。
优选的，所述肺癌病情包括：肺癌的类别及其分期和分级，和/或病灶残留程度。
优选的，所述预后数据包括：肺癌的类别及其分期和分级，和/或淋巴结转移，和/或受累淋巴结数目，和/或基因突变。
优选的，所述数字病理图像为全视野数字病理图像。
优选的，所述病理切片包括所述肺癌患者的冰冻切片和/或石蜡切片。
一种肺癌患者预后预测方法，应用于肺癌患者预后预测系统，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关联肺癌病情的图像特征进行标注获得标注图像；
步骤S2，获取与所述标注图像相对应的所述肺癌患者按预设时间间隔随访得到的若干随访数据和一生存时间，并对所述随访数据处理得到预后数据；
步骤S3，将每个所述标注图像和与所述标注图像相对应的所述预后数据和所述生存时间分别加入一数据集合，并根据各所述数据集合生成训练数据组；
步骤S4，将所述训练数据组中的各所述数据集合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患者预后预测模型；
步骤S6，将所述测试集输入到所述肺癌患者预后预测模型中得到相应的测试结果，并根据所述测试结果和对应的所述数据集合中的所述预后数据及所述生存时间处理得到所述预后预测模型的预测准确率；
步骤S7，将待检测患者的所述数字病理图像输入到所述肺癌患者预后预测模型，得到所述待检测患者的对应于所述预设时间间隔的预测预后数据和预测生存时间，医生根据所述预测预后数据、所述预测生存时间和所述预测准确率为所述待检测患者制定相应的临床指导意见。
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；
步骤S12，对各所述病理切片进行扫描获得数字病理图像；
步骤S13，对所述数字病理图像中的病灶区根据关联肺癌病情图像特征进行标注获得标注图像。
具有以下有益效果：
本发明通过对肺癌患者的数字病理图像进行预测肺癌患者的预测预后数据和预测生存时间，医生可以根据预测预后数据制定治疗方案，提升患者治疗效果和延长患者的生存时间。
附图说明
图1为本发明较佳的实施例中，一种肺癌患者预后预测系统的结构示意图；
图2为本发明较佳的实施例中，一种肺癌患者预后预测方法的流程示意图；
图3为本发明较佳的实施例中，标注图像获得的流程示意图。
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，现提出一种肺癌患者预后预测系统，如图1所示，包括：
标注模块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关联肺癌病情的图像特征进行标注获得标注图像；
获取模块2，用于获取与标注图像相对应的肺癌患者按预设时间间隔随访得到的若干随访数据和一生存时间，并对随访数据处理得到预后数据；
集合模块3，分别连接标注模块1和获取模块2，用于将每个标注图像和与标注图像相对应的预后数据和生存时间分别加入一数据集合，并根据各数据集合生成训练数据组；
分类模块4，连接集合模块3，用于将训练数据组中的各数据集合分成一训练集和一测试集；
训练模块5，连接分类模块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患者预后预测模型；
测试模块6，连接训练模块5，用于将测试集输入到肺癌患者预后预测模型中得到相应的测试结果，并根据测试结果和对应的数据集合中的预后数据及生存时间处理得到预后预测模型的预测准确率；
预测模块7，分别连接训练模块5和测试模块6，用于将待检测患者的数字病理图像输入到肺癌患者预后预测模型，得到待检测患者的对应于预设时间间隔的预测预后数据和预测生存时间，医生根据预测预后数据、预测生存时间和预测准确率为待检测患者制定相应的临床指导意见。
具体地，本实施例中，本发明为了解决对肺癌患者预后情况的预测，开发了肺癌患者预后预测系统。首先标注模块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关联肺癌病情的图像特征进行标注获得标注图像，优选的，该标注图像由经验丰富的病理医生进行标注，以确保该标注图像真实可靠，可以作为机器学习的模板；再通过获取模块2获取与标注图像相对应的肺癌患者按预设时间间隔随访得到的若干随访数据和一生存时间，并对随访数据处理得到预后数据；一般病人手术或化疗后都需要进行定期的随访，上述预设时间可以为医生根据病情而设定的时间也可以为固定的时间，一个月或三个月等；然后通过集合模块3，将每个标注图像和与标注图像相对应的预后数据和生存时间分别加入一数据集合，将标注图像和预后数据对应设置成一个数据集合，并根据各数据集合生成训练数据组，得到后续系统学习的数据；然后再通过分类模块4，将训练数据组中的各数据集合分成一训练集和一测试集，分别对系统进行训练和测试；训练模块5将上述得到的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患者预后预测模型，此时系统完成了训练步骤；再通过测试模块6，将测试集输入到肺癌患者预后预测模型中得到相应的测试结果，并根据测试结果和对应的数据集合中的预后数据及生存时间处理得到预后预测模型的预测准确率，通过测试集判断上述获得的肺癌患者预后预测模型预测的准确度；最后可以通过肺癌患者预后预测模型进行实际预测，预测模块7将待检测患者的数字病理图像输入到肺癌患者预后预测模型，得到待检测患者的对应于预设时间间隔的预测预后数据和预测生存时间，此时医生根据预测预后数据、预测生存时间为患者制定治疗方案，提升患者治疗效果和延长患者的生存时间。
本发明较佳的实施例中，标注模块1包括：
采集单元11，用于获取若干肺癌患者的病理切片；
扫描单元12，连接采集单元11，用于分别对各病理切片进行扫描获得数字病理图像；
标注单元13，连接扫描单元12，用于对数字病理图像中的病灶区根据关联肺癌病情图像特征进行标注获得标注图像。
具体地，本实施例中，标注图像为机器学习的样本，需要准确无误，首先获得病理切片，再对病理切片进行扫描并得到数字病理图像，再对数字病理图像中的病灶区的图像特征进行标注，此步关系到后续学习的准确率，优选有丰富经验的医生进行标注。
本发明较佳的实施例中，肺癌病情包括：肺癌的类别及其分期和分级，和/或病灶残留程度。
本发明较佳的实施例中，预后数据包括：肺癌的类别及其分期和分级，和/或淋巴结转移，和/或受累淋巴结数目，和/或基因突变。
本发明较佳的实施例中，数字病理图像为全视野数字病理图像。
本发明较佳的实施例中，病理切片包括肺癌患者的冰冻切片和/或石蜡切片。
一种肺癌患者预后预测方法，应用于肺癌患者预后预测系统，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关联肺癌病情的图像特征进行标注获得标注图像；
步骤S2，获取与标注图像相对应的肺癌患者按预设时间间隔随访得到的若干随访数据和一生存时间，并对随访数据处理得到预后数据；
步骤S3，将每个标注图像和与标注图像相对应的预后数据和生存时间分别加入一数据集合，并根据各数据集合生成训练数据组；
步骤S4，将训练数据组中的各数据集合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患者预后预测模型；
步骤S6，将测试集输入到肺癌患者预后预测模型中得到相应的测试结果，并根据测试结果和对应的数据集合中的预后数据及生存时间处理得到预后预测模型的预测准确率；
步骤S7，将待检测患者的数字病理图像输入到肺癌患者预后预测模型，得到待检测患者的对应于预设时间间隔的预测预后数据和预测生存时间，医生根据预测预后数据、预测生存时间和预测准确率为待检测患者制定相应的临床指导意见。
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；
步骤S12，对各病理切片进行扫描获得数字病理图像；
步骤S13，对数字病理图像中的病灶区根据关联肺癌病情图像特征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 (8)
1.一种肺癌患者预后预测系统，其特征在于，包括：
标注模块，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关联肺癌病情的图像特征进行标注获得标注图像；
获取模块，用于获取与所述标注图像相对应的所述肺癌患者按预设时间间隔随访得到的若干随访数据和一生存时间，并对所述随访数据处理得到预后数据；
集合模块，分别连接所述标注模块和所述获取模块，用于将每个所述标注图像和与所述标注图像相对应的所述预后数据和所述生存时间分别加入一数据集合，并根据各所述数据集合生成训练数据组；
分类模块，连接所述集合模块，用于将所述训练数据组中的各所述数据集合分成一训练集和一测试集；
训练模块，连接所述分类模块，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患者预后预测模型；
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患者预后预测模型中得到相应的测试结果，并根据所述测试结果和对应的所述数据集合中的所述预后数据及所述生存时间处理得到所述预后预测模型的预测准确率；
预测模块，分别连接所述训练模块和所述测试模块，用于将待检测患者的所述数字病理图像输入到所述肺癌患者预后预测模型，得到所述待检测患者的对应于所述预设时间间隔的预测预后数据和预测生存时间，医生根据所述预测预后数据、所述预测生存时间和所述预测准确率为所述待检测患者制定相应的临床指导意见。
2.根据权利要求1所述的肺癌患者预后预测系统，其特征在于，所述标注模块包括：
采集单元，用于获取若干肺癌患者的病理切片；
扫描单元，连接所述采集单元，用于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关联肺癌病情图像特征进行标注获得标注图像。
3.根据权利要求1所述的肺癌患者预后预测系统，其特征在于，所述肺癌病情包括：肺癌的类别及其分期和分级，和/或病灶残留程度。
4.根据权利要求1所述的肺癌患者预后预测系统，其特征在于，所述预后数据包括：肺癌的类别及其分期和分级，和/或淋巴结转移，和/或受累淋巴结数目，和/或基因突变。
5.根据权利要求1所述的肺癌患者预后预测系统，其特征在于，所述数字病理图像为全视野数字病理图像。
6.根据权利要求1所述的肺癌患者预后预测系统，其特征在于，所述病理切片包括所述肺癌患者的冰冻切片和/或石蜡切片。
7.一种肺癌患者预后预测方法，其特征在于，应用于如权利要求1至6所述的任意一项肺癌患者预后预测系统，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关联肺癌病情的图像特征进行标注获得标注图像；
步骤S2，获取与所述标注图像相对应的所述肺癌患者按预设时间间隔随访得到的若干随访数据和一生存时间，并对所述随访数据处理得到预后数据；
步骤S3，将每个所述标注图像和与所述标注图像相对应的所述预后数据和所述生存时间分别加入一数据集合，并根据各所述数据集合生成训练数据组；
步骤S4，将所述训练数据组中的各所述数据集合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患者预后预测模型；
步骤S6，将所述测试集输入到所述肺癌患者预后预测模型中得到相应的测试结果，并根据所述测试结果和对应的所述数据集合中的所述预后数据及所述生存时间处理得到所述预后预测模型的预测准确率；
步骤S7，将待检测患者的所述数字病理图像输入到所述肺癌患者预后预测模型，得到所述待检测患者的对应于所述预设时间间隔的预测预后数据和预测生存时间，医生根据所述预测预后数据、所述预测生存时间和所述预测准确率为所述待检测患者制定相应的临床指导意见。
8.根据权利要求7所述的肺癌患者预后预测方法，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；
步骤S12，对各所述病理切片进行扫描获得数字病理图像；
步骤S13，对所述数字病理图像中的病灶区根据关联肺癌病情图像特征进行标注获得标注图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010148798.XA CN111370128A (zh) | 2020-03-05 | 2020-03-05 | 一种肺癌患者预后预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010148798.XA CN111370128A (zh) | 2020-03-05 | 2020-03-05 | 一种肺癌患者预后预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111370128A true CN111370128A (zh) | 2020-07-03 |
Family
ID=71212544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010148798.XA Pending CN111370128A (zh) | 2020-03-05 | 2020-03-05 | 一种肺癌患者预后预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111370128A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102879A (zh) * | 2020-07-31 | 2020-12-18 | 蒋涛 | 一种晚期肺癌化疗疗效预测系统及方法 |
| CN112434172A (zh) * | 2020-10-29 | 2021-03-02 | 西安交通大学 | 一种病理图像预后特征权重计算方法及系统 |
| CN112884724A (zh) * | 2021-02-02 | 2021-06-01 | 广州智睿医疗科技有限公司 | 一种用于肺癌组织病理分型的智能判断方法及系统 |
| CN113223727A (zh) * | 2021-05-08 | 2021-08-06 | 浙江大学 | 非小细胞肺癌集成预后预测模型及其构建方法、装置和应用 |
| CN113313680A (zh) * | 2021-05-24 | 2021-08-27 | 华南理工大学 | 一种结直肠癌病理图像预后辅助预测方法及系统 |
| CN114511564A (zh) * | 2022-04-19 | 2022-05-17 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法 |
| CN114587397A (zh) * | 2020-12-07 | 2022-06-07 | 四川大学 | 一种基于神经网络的计算机辅助术前肺癌患者n2期淋巴结预测系统 |
| CN114927216A (zh) * | 2022-04-29 | 2022-08-19 | 中南大学湘雅医院 | 基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及系统 |
| WO2022268102A1 (zh) * | 2021-06-22 | 2022-12-29 | 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 |
| CN116798646A (zh) * | 2023-08-17 | 2023-09-22 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 |
Citations (4)
| 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 |
| 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 |
| CN108389624A (zh) * | 2018-01-31 | 2018-08-10 | 浙江大学 | 基于cox比例风险模型的十二指肠腺癌预后预测系统 |
| CN110111892A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种nsclc患者术后短期复发转移风险评估系统 |
-
2020
- 2020-03-05 CN CN202010148798.XA patent/CN111370128A/zh active Pending
Patent Citations (4)
| 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 |
| 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 |
| CN108389624A (zh) * | 2018-01-31 | 2018-08-10 | 浙江大学 | 基于cox比例风险模型的十二指肠腺癌预后预测系统 |
| CN110111892A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种nsclc患者术后短期复发转移风险评估系统 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102879A (zh) * | 2020-07-31 | 2020-12-18 | 蒋涛 | 一种晚期肺癌化疗疗效预测系统及方法 |
| CN112102879B (zh) * | 2020-07-31 | 2023-05-09 | 蒋涛 | 一种晚期肺癌化疗疗效预测系统及方法 |
| CN112434172A (zh) * | 2020-10-29 | 2021-03-02 | 西安交通大学 | 一种病理图像预后特征权重计算方法及系统 |
| CN114587397A (zh) * | 2020-12-07 | 2022-06-07 | 四川大学 | 一种基于神经网络的计算机辅助术前肺癌患者n2期淋巴结预测系统 |
| CN114587397B (zh) * | 2020-12-07 | 2023-12-26 | 四川大学 | 一种基于神经网络的计算机辅助术前肺癌患者n2期淋巴结预测系统 |
| CN112884724A (zh) * | 2021-02-02 | 2021-06-01 | 广州智睿医疗科技有限公司 | 一种用于肺癌组织病理分型的智能判断方法及系统 |
| CN113223727A (zh) * | 2021-05-08 | 2021-08-06 | 浙江大学 | 非小细胞肺癌集成预后预测模型及其构建方法、装置和应用 |
| CN113223727B (zh) * | 2021-05-08 | 2022-07-12 | 浙江大学 | 非小细胞肺癌集成预后预测模型及其构建方法、装置和应用 |
| CN113313680A (zh) * | 2021-05-24 | 2021-08-27 | 华南理工大学 | 一种结直肠癌病理图像预后辅助预测方法及系统 |
| WO2022268102A1 (zh) * | 2021-06-22 | 2022-12-29 | 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 |
| CN114511564A (zh) * | 2022-04-19 | 2022-05-17 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法 |
| CN114927216A (zh) * | 2022-04-29 | 2022-08-19 | 中南大学湘雅医院 | 基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及系统 |
| CN116798646A (zh) * | 2023-08-17 | 2023-09-22 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 |
| CN116798646B (zh) * | 2023-08-17 | 2023-11-24 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111370128A (zh) | 一种肺癌患者预后预测系统及方法 | |
| Silva-Rodríguez et al. | Going deeper through the Gleason scoring scale: An automatic end-to-end system for histology prostate grading and cribriform pattern detection | |
| US11922626B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
| Song et al. | Artificial intelligence for digital and computational pathology | |
| US11257209B2 (en) | Cancer risk stratification based on histopathological tissue slide analysis | |
| CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
| Harder et al. | Automatic discovery of image-based signatures for ipilimumab response prediction in malignant melanoma | |
| WO2020182710A1 (en) | Multiple instance learner for prognostic tissue pattern identification | |
| Bizzego et al. | Integrating deep and radiomics features in cancer bioimaging | |
| WO2019084697A1 (en) | Platform, device and process for annotation and classification of tissue specimens using convolutional neural network | |
| CN110931112B (zh) | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 | |
| Daneshjou et al. | How to evaluate deep learning for cancer diagnostics–factors and recommendations | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| US11954859B2 (en) | Methods of assessing diseases using image classifiers | |
| CN114664413A (zh) | 在治疗前对直肠癌治疗抵抗及其分子机制的预测系统 | |
| Qiao et al. | Multi-modality artificial intelligence in digital pathology | |
| Jammalamadaka et al. | Characterizing spatial distributions of astrocytes in the mammalian retina | |
| Kovalev et al. | Biomedical image recognition in pulmonology and oncology with the use of deep learning | |
| Iuga et al. | Automated mapping and N-Staging of thoracic lymph nodes in contrast-enhanced CT scans of the chest using a fully convolutional neural network | |
| Sethi et al. | Long Short-Term Memory-Deep Belief Network based Gene Expression Data Analysis for Prostate Cancer Detection and Classification | |
| CN113066081B (zh) | 一种基于三维mri图像的乳腺肿瘤分子亚型检测方法 | |
| CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
| Amruthalingam et al. | Objective hand eczema severity assessment with automated lesion anatomical stratification | |
| Ahmed et al. | Enhancing Breast Cancer Diagnosis in Mammography: Evaluation and Integration of Convolutional Neural Networks and Explainable AI | |
| US20220044762A1 (en) | Methods of assessing breast cancer using machine learning systems |
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: 20200703 |
|
| RJ01 | Rejection of invention patent application after publication |