CN111537424B - 基于外周血细胞评估脊髓胶质瘤患者预后性的系统 - Google Patents
基于外周血细胞评估脊髓胶质瘤患者预后性的系统 Download PDFInfo
- Publication number
- CN111537424B CN111537424B CN202010339946.6A CN202010339946A CN111537424B CN 111537424 B CN111537424 B CN 111537424B CN 202010339946 A CN202010339946 A CN 202010339946A CN 111537424 B CN111537424 B CN 111537424B
- Authority
- CN
- China
- Prior art keywords
- patient
- count
- peripheral blood
- prognosis
- blood cell
- 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.)
- Active
Links
- 238000004393 prognosis Methods 0.000 title claims abstract description 62
- 206010018338 Glioma Diseases 0.000 title claims abstract description 33
- 208000032612 Glial tumor Diseases 0.000 title claims abstract description 30
- 210000004976 peripheral blood cell Anatomy 0.000 title claims abstract description 29
- 238000004820 blood count Methods 0.000 claims abstract description 51
- 210000005259 peripheral blood Anatomy 0.000 claims abstract description 20
- 239000011886 peripheral blood Substances 0.000 claims abstract description 20
- 210000000265 leukocyte Anatomy 0.000 claims abstract description 18
- 210000004698 lymphocyte Anatomy 0.000 claims abstract description 17
- 210000000440 neutrophil Anatomy 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 3
- 230000004083 survival effect Effects 0.000 description 24
- 238000013210 evaluation model Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 210000000601 blood cell Anatomy 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 208000005017 glioblastoma Diseases 0.000 description 3
- 201000007983 brain glioma Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000007660 Residual Neoplasm Diseases 0.000 description 1
- 238000011226 adjuvant chemotherapy Methods 0.000 description 1
- 238000011353 adjuvant radiotherapy Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000002648 combination therapy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
- G01N2015/016—White blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
Landscapes
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biochemistry (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Dispersion Chemistry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本公开涉及一种基于外周血细胞评估脊髓胶质瘤患者预后性的系统，其特征在于，该系统包括输入装置、计算装置和输出装置；其中，所述输入装置用于输入脊髓胶质瘤患者个体的多个外周血细胞计数，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数。通过上述技术方案，只需采集脊髓胶质瘤患者的外周血液并检测其中的外周血细胞计数，就能够根据多种血细胞计数计算并输出患者的预后评分，根据预后评分可以评估患者的预后情况，外周血的采集过程简单、快速，而且外周血中血细胞计数的检测操作复杂程度低，因此，本公开能够简单、快速且准确地评估脊髓胶质瘤患者的预后情况。
Description
技术领域
本公开涉及生物医学技术领域，具体地，涉及一种基于外周血细胞评估脊髓胶质瘤患者预后性的系统。
背景技术
弥漫性脊髓胶质瘤(WHO II-IV级)是脊髓内最常见的恶性肿瘤之一。与颅内病变导致的脑胶质瘤相比，弥散性脊髓胶质瘤相对少见，而且，在脊髓胶质瘤的手术过程中只能获得少量的脊髓胶质瘤组织，因此，目前对弥漫性脊髓胶质瘤的认知主要来自于对少数病例的有限研究。在这些有限的研究中，弥漫性脊髓胶质瘤的预后差异很大，一些高级别弥散性脊髓胶质瘤的中位生存期仅为10-14个月，而且与弥散性脊髓胶质瘤的预后相关因素仍不清楚。
弥散性脊髓胶质瘤最常见的治疗方法是最大安全手术切除，复发或进展性残余肿瘤也可采用辅助化疗和放疗。患者的预后预测对于个体治疗决策或术后治疗方案的选择是至关重要的，对于预后极差的患者，可以采用积极的联合治疗方式，而对于预后相对较好的患者，应考虑避免长期神经损伤。因此，亟需一种能够准确、快速地预测弥散性脊髓胶质瘤预后的方法。
发明内容
本公开的目的是提供一种基于外周血细胞评估脊髓胶质瘤患者预后性的系统，利用该系统能够准确、快速地评估弥散性脊髓胶质瘤患者的预后情况。
为了实现上述目的，第一方面，本公开提供一种基于外周血细胞评估脊髓胶质瘤患者预后性的系统，该系统包括输入装置、计算装置和输出装置；其中，
所述输入装置用于输入脊髓胶质瘤患者个体的多个外周血细胞计数，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数；
所述输出装置用于输出所述脊髓胶质瘤患者个体的预后评分；
所述计算装置包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被配置为执行所述存储器中存储的计算机程序，以实现建模算法和如式(1)所示的判别函数的算法；所述建模算法为支持向量机算法和/或最小偏二乘算法；
F(c)＝f1(c1)+f2(c2/c4)+f3(c3/c4)式(1)，
式(1)中，F(c)表示所述脊髓胶质瘤患者个体的预后评分；c1、c2、c3和c4依次分别表示白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数；f1(c1)、f2(c2/c4)和f3(c3/c4)分别为依据所述建模算法训练得到的核函数。
可选地，该系统还包括用于检测多个外周血细胞计数的检测装置。
可选地，所述检测装置包括血细胞分析仪、细胞计数板及光学显微镜和血球计数仪中的至少一种。
可选地，式(1)中，f1(c1)＝a1×c1，f2(c2/c4)＝a2×(c2/c4)，f3(c3/c4)＝a3×(c3/c4)。
可选地，式(1)中，f1(c1)＝0.183×c1，f2(c2/c4)＝0.307×(c2/c4)，f2(c3/c4)＝0.010×(c3/c4)。
可选地，所述脊髓胶质瘤为弥漫性脊髓胶质瘤。
可选地，所述输入装置与所述计算装置之间通过有线方式和/或无线方式连接，所述计算装置和所述输出装置之间通过有线和/或无线方式连接；
所述计算装置为电脑主机、中央处理器或网络服务器，所述输出装置为显示器、打印机或音频输出装置。
第二方面，本公开提供用于检测多个外周血细胞计数的装置在制备评估脊髓胶质瘤患者预后性的系统中的用途，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数。
第三方面，本公开提供用于检测多个外周血细胞计数的试剂在制备评估脊髓胶质瘤患者预后性的试剂盒中的用途，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数。
第四方面，本公开提供评估脊髓胶质瘤患者预后性的试剂盒，所述试剂盒含有用于检测多个外周血细胞计数的试剂，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数。
通过上述技术方案，本公开提供的基于外周血细胞评估脊髓胶质瘤患者预后性的系统，只需采集脊髓胶质瘤患者的外周血液并检测其中的外周血细胞计数，就能够根据多种血细胞计数计算并输出患者的预后评分，根据预后评分可以评估患者的预后情况，外周血的采集过程简单、快速，而且外周血中血细胞计数的检测操作复杂程度低，因此，本公开能够简单、快速且准确地评估脊髓胶质瘤患者的预后情况。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开实施例提供的弥散性脊髓胶质瘤样本中低风险组和高风险组的生存曲线图；
图2是本公开实施例提供的较低级别脊髓胶质瘤(WHOⅡ/Ⅲ级)样本中低风险组和高风险组的生存曲线图；
图3是本公开实施例提供的WHOⅣ级脊髓胶质瘤样本中低风险组和高风险组的生存曲线图；
图4是本公开对比例提供的利用本公开评估模型预测弥散性脊髓胶质瘤生存期是否大于2年的ROC曲线图；
图5是本公开对比例提供的利用WHO病理级别预测弥散性脊髓胶质瘤生存期是否大于2年的ROC曲线图；
图6是本公开对比例提供的利用组织学病理级别预测弥散性脊髓胶质瘤生存期是否大于2年的ROC曲线图。
具体实施方式
以下对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
本公开的第一方面提供一种基于外周血细胞评估脊髓胶质瘤患者预后性的系统，该系统包括输入装置、计算装置和输出装置；其中，所述输入装置用于输入脊髓胶质瘤患者个体的多个外周血细胞计数，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数；所述输出装置用于输出所述脊髓胶质瘤患者个体的预后评分；所述计算装置包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被配置为执行所述存储器中存储的计算机程序，以实现建模算法和如式(1)所示的判别函数的算法；所述建模算法为支持向量机算法和/或最小偏二乘算法；
F(c)＝f1(c1)+f2(c2/c4)+f3(c3/c4)式(1)，
式(1)中，F(c)表示所述脊髓胶质瘤患者个体的预后评分；c1、c2、c3和c4依次分别表示白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数；f1(c1)、f2(c2/c4)和f3(c3/c4)分别为依据所述建模算法训练得到的核函数。
其中，外周血细胞计数可以是指每种血细胞在单位体积的外周血液中的个数。
利用上述技术方案中提供的基于外周血细胞评估脊髓胶质瘤患者预后性的系统，只需采集脊髓胶质瘤患者的外周血液并检测其中的外周血细胞计数，就能够根据多种血细胞计数计算并输出患者的预后评分，根据预后评分可以评估患者的预后情况，外周血的采集过程简单、快速，而且外周血中血细胞计数的检测操作复杂程度低，因此，本公开能够简单、快速且准确地评估脊髓胶质瘤患者的预后情况。
其中，在根据输出装置输出的预后评分评估患者的预后情况时，预后评分越高，说明患者的预后越差，风险等级越高。优选地，通常可以在预后评分低于某一临界值时，认为患者的预后较好，风险等级较低，当预后评分不低于该临界值时，认为患者的预后较差，风险等级较高，本公开对该临界值的具体数值不作特殊限制，只要其能基于生物医学的原理合理地对患者的预后性或者风险等级进行划分即可。作为本公开一个特别优选的实施例，上述临界值的取值可以为3.85，即：当输出装置输出的预后评分低于3.85时，可以认为患者的预后较好，风险等级较低，当输出装置输出的预后评分大于等于3.85时，可以认为患者的预后较差，风险等级较高。
可选地，该系统还可以包括用于检测多个外周血细胞计数的检测装置。能用于血细胞计数检测的检测装置均可用于本公开，例如，所述检测装置包括血细胞分析仪、细胞计数板及光学显微镜和血球计数仪中的至少一种。
可选地，式(1)中，f1(c1)＝a1×c1，f2(c2/c4)＝a2×(c2/c4)，f3(c3/c4)＝a3×(c3/c4)。
优选地，式(1)中，f1(c1)＝0.183×c1，f2(c2/c4)＝0.307×(c2/c4)，f3(c3/c4)＝0.010×(C3/c4)。则本公开提供的基于外周血细胞评估脊髓胶质瘤患者预后性的判别函数可以为：
F(c)＝0.183×c1+0.307×(c2/c4)+0.010×(c3/c4)
式(2)，
需要说明的是，f1(c1)，f2(c2/c4)和f3(c3/c4)可能会随着血细胞计数的检测手段的偏性而发生改变，也可能会随着训练数据集的数据规模大小等因素发生改变。式(2)所示的判别函数是本公开的发明人依据实施例1中的数据以最小偏二乘的建模算法进行训练得到的，并不用于限制本公开的范围。
优选地，所述脊髓胶质瘤为弥漫性脊髓胶质瘤。本公开提供的系统及判别函数特别适用于弥散性脊髓胶质瘤患者的生存期预测。
可选地，所述输入装置与所述计算装置之间通过有线方式和/或无线方式连接，所述计算装置和所述输出装置之间通过有线和/或无线方式连接；所述计算装置为电脑主机、中央处理器或网络服务器，所述输出装置为显示器、打印机或音频输出装置。
本公开的第二方面提供用于检测多个外周血细胞计数的装置在制备评估脊髓胶质瘤患者预后性的系统中的用途，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数。
本公开的第三方面提供用于检测多个外周血细胞计数的试剂在制备评估脊髓胶质瘤患者预后性的试剂盒中的用途，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数。
本公开的第四方面提供评估脊髓胶质瘤患者预后性的试剂盒，所述试剂盒含有用于检测多个外周血细胞计数的试剂，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数。
以下通过实施例进一步详细说明本发明。
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。
下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例1
本实施例用于说明本公开的评估模型的建立。
使用符合医学伦理委员会标准的操作，收集弥散性脊髓胶质瘤的样本88例，并判断每一例弥散性脊髓胶质瘤样本的病理学特征。其中，收集样本的每一位病人都在收集样本之前得到本人及其治疗专家的同意，并具有书面的证明材料。利用病理学诊断方法诊断弥散性脊髓胶质瘤，利用血细胞分析仪检测并计算每个样本的外周血细胞计数指标。根据弥散性脊髓胶质瘤样本对应患者的生存期来评估弥散性脊髓胶质瘤样本的预后性，患者生存期越长，则弥散性脊髓胶质瘤的预后性越好。弥散性脊髓胶质瘤样本对应患者的性别、年龄、病理学分级及外周血细胞计数指标、生存期等特征见表1。
表1
对上述样本的每个外周血细胞计数指标进行单因素COX分析，鉴定各个外周血细胞计数指标与弥散性脊髓胶质瘤生存期的关系，结果见表2。
表2
由表2可以看出，白细胞计数、中性粒细胞与淋巴细胞的计数比、血小板与淋巴细胞的计数比对应的p值小于0.05，因此确定白细胞计数、中性粒细胞与淋巴细胞的计数比、血小板与淋巴细胞的计数比与弥散性脊髓胶质瘤生存期的关系最为密切。基于白细胞计数、中性粒细胞与淋巴细胞的计数比、血小板与淋巴细胞的计数比建立弥散性脊髓胶质瘤预后性的评估模型为：F(c)＝f1(c1)+f2(c2/c4)+f3(c3/c4)式(1)，
式(1)中，F(c)表示所述脊髓胶质瘤患者个体的预后评分；c1、c2、c3和c4依次分别表示白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数；f1(c1)、f2(c2/c4)和f3(c3/c4)分别为依据所述建模算法训练得到的核函数。具体地，式(1)中，f1(c1)＝0.183×c1，f2(c2/c4)＝0.307×(c2/c4)，f3(c3/c4)＝0.010×(c3/c4)，则本公开提供的基于外周血细胞评估脊髓胶质瘤患者预后性的判别函数可以为：
F(c)＝0.183×c1+0.307×(c2/c4)+0.010×(c3/c4)式(2)。
对式(2)进行COX分析，P值<0.0001，危险比值为1.405，95％的可信区间为1.207-1.636。
实施例2
本实施例用于对本公开的评估模型进行验证
按照实施例1的方法重新收集弥散性脊髓胶质瘤样本88例，其中包括较低级别脊髓胶质瘤(WHOⅡ/Ⅲ级)样本46例，WHOⅣ级脊髓胶质瘤样本42例。将所有弥散性脊髓胶质瘤样本作为第一验证集，将较低级别脊髓胶质瘤(WHOⅡ/Ⅲ级)样本作为第二验证集，将WHOⅣ级脊髓胶质瘤样本作为第三验证集。利用血细胞分析仪检测并计算每个样本的白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数，并基于上述检测数据，并利用式(2)分别计算每个样本的预后评分，将预后评分＜3.85的样本划分至低风险组，将预后评分≥3.85的样本划分至高风险组。分别随访每个样本对应患者的实际生存期。
以第一验证集中的所有样本为对象，分别绘制低风险组和高风险组的生存曲线，如图1所示。由图1可以看出，在所有的弥散性脊髓胶质瘤样本中，低风险组患者的生存曲线与高风险组患者的生存曲线之间存在显著差异(p＝0.0029)，说明本公开提供的评估模型能够较准确地预测弥散性脊髓胶质瘤患者的预后性。
以第二验证集中的所有样本为对象，分别绘制低风险组和高风险组的生存曲线，如图2所示。由图2可以看出，在较低级别脊髓胶质瘤(WHOⅡ/Ⅲ级)样本中，低风险组患者的生存曲线与高风险组患者的生存曲线之间存在显著差异(p＝0.0169)，说明本公开提供的评估模型能够较准确地预测较低级别脊髓胶质瘤(WHOⅡ/Ⅲ级)患者的预后性。
以第三验证集中的所有样本为对象，分别绘制低风险组和高风险组的生存曲线，如图3所示。由图3可以看出，在WHOⅣ级脊髓胶质瘤样本中，低风险组患者的生存曲线与高风险组患者的生存曲线之间存在显著差异(p＝0.04)，说明本公开提供的评估模型能够较准确地预测WHOⅣ级脊髓胶质瘤患者的预后性。
对比例
按照实施例1的方法重新收集弥散性脊髓胶质瘤样本79例，这79例患者可根据其实际生存期是否大于2年分为2组。
(1)利用实施例1的方法预测患者生存期是否大于2年，并对预测结果进行ROC分析，绘制ROC曲线，如图4所示，AUC＝0.7412，p＝0.0007。
(2)根据WHO病理级别预测患者生存期是否大于2年，并对预测结果进行ROC分析，绘制ROC曲线，如图5所示，AUC＝0.7296，p＝0.0012。
(3)根据组织学病理级别预测患者生存期是否大于2年，并对预测结果进行ROC分析，绘制ROC曲线，如图6所示，AUC＝0.6815，p＝0.0114。
由图4-6可以看出，实施例1的方法能够更加准确地预测患者的2年生存期，说明本公开提供的评估模型能够准确地预测弥散性脊髓胶质瘤患者的预后性。
以上详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (6)
1.一种基于外周血细胞评估脊髓胶质瘤患者预后性的系统，其特征在于，该系统包括输入装置、计算装置和输出装置；其中，
所述输入装置用于输入脊髓胶质瘤患者个体的多个外周血细胞计数，所述多个外周血细胞计数包括白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数；
所述输出装置用于输出所述脊髓胶质瘤患者个体的预后评分；
所述计算装置包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被配置为执行所述存储器中存储的计算机程序，以实现建模算法和如式(1)所示的判别函数的算法；所述建模算法为支持向量机算法和/或最小偏二乘算法；
F(c)＝f1(c1)+f2(c2/c4)+f3(c3/c4)式 (1)，
式(1)中，F(c)表示所述脊髓胶质瘤患者个体的预后评分；c1、c2、c3和c4依次分别表示白细胞计数、中性粒细胞计数、血小板计数和淋巴细胞计数；f1(c1)、f2(c2/c4)和f3(c3/c4)分别为依据所述建模算法训练得到的核函数。
2.根据权利要求1所述的系统，其特征在于，该系统还包括用于检测多个外周血细胞计数的检测装置。
3.根据权利要求2所述的系统，其特征在于，所述检测装置包括血细胞分析仪、细胞计数板及光学显微镜和血球计数仪中的至少一种。
4.根据权利要求1所述的系统，其特征在于，式(1)中，f1(c1)＝0.183×c1，f2(c2/c4)＝0.307×(c2/c4)，f3(c3/c4)＝0.010×(c3/c4)。
5.根据权利要求1-4中任意一项所述的系统，其特征在于，所述脊髓胶质瘤为弥漫性脊髓胶质瘤。
6.根据权利要求1-4中任意一项所述的系统，其特征在于，所述输入装置与所述计算装置之间通过有线方式和/或无线方式连接，所述计算装置和所述输出装置之间通过有线和/或无线方式连接；
所述计算装置为电脑主机、中央处理器或网络服务器，所述输出装置为显示器、打印机或音频输出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010339946.6A CN111537424B (zh) | 2020-04-26 | 2020-04-26 | 基于外周血细胞评估脊髓胶质瘤患者预后性的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010339946.6A CN111537424B (zh) | 2020-04-26 | 2020-04-26 | 基于外周血细胞评估脊髓胶质瘤患者预后性的系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111537424A CN111537424A (zh) | 2020-08-14 |
| CN111537424B true CN111537424B (zh) | 2022-10-28 |
Family
ID=71977264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010339946.6A Active CN111537424B (zh) | 2020-04-26 | 2020-04-26 | 基于外周血细胞评估脊髓胶质瘤患者预后性的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111537424B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1486787A1 (de) * | 2003-06-12 | 2004-12-15 | Ulrich Dr. Kübler | Verfahren zur In-Vitro-Diagnose eines Glioms oder Astrozytoms und pharmazeutische Mischung zur Behandlung des Glioms, Astrozytoms oder eines Rezidivs davon |
| CN101120255A (zh) * | 2005-02-18 | 2008-02-06 | 惠氏公司 | 用于实体肿瘤预后的药物基因组学标志 |
| JP2010131006A (ja) * | 2008-10-31 | 2010-06-17 | Dna Chip Research Inc | 神経膠腫予後予測方法、およびそれに用いるキット |
| CN104394877A (zh) * | 2012-05-08 | 2015-03-04 | 约翰·霍普金斯大学 | 用于输注短暂植入的同种异体淋巴细胞的选定群体来治疗癌症的方法和组合物 |
-
2020
- 2020-04-26 CN CN202010339946.6A patent/CN111537424B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1486787A1 (de) * | 2003-06-12 | 2004-12-15 | Ulrich Dr. Kübler | Verfahren zur In-Vitro-Diagnose eines Glioms oder Astrozytoms und pharmazeutische Mischung zur Behandlung des Glioms, Astrozytoms oder eines Rezidivs davon |
| CN101120255A (zh) * | 2005-02-18 | 2008-02-06 | 惠氏公司 | 用于实体肿瘤预后的药物基因组学标志 |
| JP2010131006A (ja) * | 2008-10-31 | 2010-06-17 | Dna Chip Research Inc | 神経膠腫予後予測方法、およびそれに用いるキット |
| CN104394877A (zh) * | 2012-05-08 | 2015-03-04 | 约翰·霍普金斯大学 | 用于输注短暂植入的同种异体淋巴细胞的选定群体来治疗癌症的方法和组合物 |
Non-Patent Citations (3)
| Title |
|---|
| 术前PLR、NLR与喉鳞状细胞癌预后的相关性分析;张曦等;《国际检验医学杂志》;20200131;第41卷(第02期);第154-158页 * |
| 肿瘤患者外周血中性粒细胞/淋巴细胞比值的研究进展;王述莲等;《现代生物医学进展》;20171231;第17卷(第34期);第6777-6780页 * |
| 脑胶质瘤患者术前血液学指标与预后的关系;晁储瑞 等;《中华实用诊断与治疗杂志》;20191130;第33卷(第11期);第1105-1109页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111537424A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tomás et al. | A general method to derive robust organ-specific gene expression-based differentiation indices: application to thyroid cancer diagnostic | |
| JP6163152B2 (ja) | 細胞におけるバイオマーカーの発現の積率による解析 | |
| CN113096739B (zh) | 一种卵巢癌的免疫预后诊断标志物组合的分析方法 | |
| Yang et al. | Similarities of ordered gene lists | |
| CN108169490B (zh) | 一组用于评估胶质母细胞瘤预后的联合蛋白及其应用 | |
| CN105229471A (zh) | 用于基于生物化学标记分析确定先兆子痫风险的系统和方法 | |
| Cai et al. | A model based on CT radiomic features for predicting RT-PCR becoming negative in coronavirus disease 2019 (COVID-19) patients | |
| CN104046624B (zh) | 用于肺癌预后的基因及其应用 | |
| CN113234829B (zh) | 结肠癌预后评估基因集及其构建方法 | |
| CN113271849A (zh) | 结合类别不平衡集降采样与生存分析的疾病风险确定方法 | |
| CN114317532B (zh) | 用于预测白血病预后的评估基因集、试剂盒、系统及应用 | |
| CN112946276B (zh) | I期肺腺癌患者术后复发风险预测系统及其应用 | |
| Vanderstichele et al. | Nucleosome footprinting in plasma cell-free DNA for the pre-surgical diagnosis of ovarian cancer | |
| CN111537424B (zh) | 基于外周血细胞评估脊髓胶质瘤患者预后性的系统 | |
| CN104975082A (zh) | 一组用于评估肺癌预后的基因及其应用 | |
| Parast et al. | Landmark risk prediction of residual life for breast cancer survival | |
| CN116978582A (zh) | 一种前列腺癌预测模型的建模方法及预测系统 | |
| RU2336822C1 (ru) | Способ прогнозирования рака молочной железы | |
| KR20230007010A (ko) | 대사질환 위험도 예측 방법 및 시스템 | |
| Reichard et al. | Clinical and molecular rationale to retain the cancer descriptor for Gleason score 6 disease | |
| CN117438097B (zh) | 一种用于早期肝癌术后复发风险预测的方法及系统 | |
| RU2763839C1 (ru) | Способ многофакторного прогноза рака молочной железы | |
| Yang et al. | Clinical predictive model for identifying high-risk factors in Pleurisy Tuberculoma patients | |
| Suzuki et al. | C-reactive protein and lactate dehydrogenase are useful biomarkers for predicting the requirement for oxygen therapy in outpatients with coronavirus disease 2019 | |
| CN115050467A (zh) | 一种基于血清学和超声发现的新型诊断列线图模型 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |