CN111554381A - 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 - Google Patents
一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 Download PDFInfo
- Publication number
- CN111554381A CN111554381A CN202010328191.XA CN202010328191A CN111554381A CN 111554381 A CN111554381 A CN 111554381A CN 202010328191 A CN202010328191 A CN 202010328191A CN 111554381 A CN111554381 A CN 111554381A
- Authority
- CN
- China
- Prior art keywords
- cell carcinoma
- clear cell
- renal clear
- image
- diagnosis
- 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
- 208000030808 Clear cell renal carcinoma Diseases 0.000 title claims abstract description 99
- 206010073251 clear cell renal cell carcinoma Diseases 0.000 title claims abstract description 99
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000010827 pathological analysis Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 230000004083 survival effect Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000001575 pathological effect Effects 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004393 prognosis Methods 0.000 claims abstract description 16
- 230000002980 postoperative effect Effects 0.000 claims abstract description 11
- 238000013473 artificial intelligence Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 210000005084 renal tissue Anatomy 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 201000011510 cancer Diseases 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 210000001519 tissue Anatomy 0.000 claims description 5
- 229920003264 Maprenal® Polymers 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 208000006265 Renal cell carcinoma Diseases 0.000 description 4
- 208000009060 clear cell adenocarcinoma Diseases 0.000 description 4
- 230000007170 pathology Effects 0.000 description 4
- 201000009030 Carcinoma Diseases 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 208000008839 Kidney Neoplasms Diseases 0.000 description 2
- 208000005718 Stomach Neoplasms Diseases 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 206010017758 gastric cancer Diseases 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 201000011549 stomach cancer Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 201000010276 collecting duct carcinoma Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 201000010198 papillary carcinoma Diseases 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 210000002784 stomach Anatomy 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/30096—Tumor; Lesion
Abstract
本发明涉及一种基于深度学习的肾透明细胞癌人工智能病理诊断方法，包括以下步骤：S1:数据获取；S2:病理显微图像处理；S3:模块化图像特征信息提取；S4:机器深度学习和诊断模型构建；S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能；步骤S6:对肾透明细胞癌患者生存预后的预测效能探究。本发明还提供了一种基于深度学习的肾透明细胞癌人工智能病理诊断模型。本发明可以有效预测肾透明细胞癌患者的生存预后，这是传统的病理科医师阅片诊断无法达到的效果，可为肾透明细胞癌患者术后是否继续治疗提供有效的指导意见。
Description
技术领域
本发明涉及医疗人工智能领域，涉及一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型
背景技术
肾细胞癌是肾脏最常见的恶性疾病，约占肾脏肿瘤的90％。其病理分型包括肾透明细胞癌(Renal cell carcinoma)、嫌色细胞癌、乳头状细胞癌、集合管癌和未分类癌。其中，肾透明细胞癌是最主要病理类型，约占肾细胞癌总数的70％～80％，其癌细胞常排列成片状、条索状、腺泡状或管状，生存预后较乳头状癌等非透明细胞癌差。因此肾透明细胞癌的精准诊断具有极其重要的社会意义和价值。
病理诊断是目前确诊肾透明细胞癌的金标准，其主要通过病理切片、苏木精-伊红(H&E)染色、显微成像后，病理医师观察病理变化做出病理诊断，为临床诊断和治疗提供指导意见。然而，随着医学影像诊断水平的提高和癌症早期筛查的普及推广，近年来包括肾脏肿瘤在内的各种类型肿瘤在人群中的发现率显著上升，肿物穿刺活检术或手术切活检术也更多地在日常医疗工作中开展，作为良恶性肿瘤鉴别诊断的金标准，病理诊断的工作量日益加大。而当前国内病理科医师严重短缺，再加上医学培养周期长、各级医疗机构病理诊断水平参差不齐等情况，给病理诊断的高效、精准开展带来了严峻的挑战。人工智能辅助医疗可以有效地解决这个问题。
中国专利文献CN：201911368872.2公开了一种人工智能辅助病理诊断系统，包括病理信息库，病理专家库以及由处理器执行的一个或多个程序，所述程序包括用于执行以下步骤：接收数字病理文件；为数字病理文件匹配智能诊断算法模型，生成初步诊断意见和初步分析报告；当所述初步诊断意见为阴性时，将所述初步分析报告作为最终分析报告，否则，进入分流程序，匹配一个对应的专病医生，接收来自所述专病医生的最终分析报告。中国专利文献CN：CN201710423350.2公开了一种基于大数据深度学习的胃癌病理诊断支持系统和方法，该系统包括：图像数据获得单元，用于获得胃正常组织切片图像和已确诊的胃癌病例的病理切片图像作为已输入图像数据；图像数据标注单元，用于对已输入图像数据进行标注；图像数据库构建单元，用于对图像数据标注单元提供的已标注图像数据分类、整理，构建病理图像数据库；卷积神经网络(CNN)构造单元，用于构造第一卷积神经网络模型；以及卷积神经网络模型训练单元，获得理想的卷积神经网络模型。
人工智能辅助医疗是医学中的一个新兴领域，该技术的诞生与人工智能在计算机领域研究中的良好性能以及在精准医学研究中的巨大潜力密不可分。然而，目前基于深度学习的肾透明细胞癌人工智能病理诊断方法还未曾报导。
发明内容
本发明的第一个目的是，针对现有技术中的不足，提供一种基于深度学习的肾透明细胞癌人工智能病理诊断方法。
本发明的第二个目的是，提供一种基于深度学习的肾透明细胞癌人工智能病理诊断模型。
为实现上述第一个目的，本发明采取的技术方案是：
一种基于深度学习的肾透明细胞癌人工智能病理诊断方法，包括以下步骤：
S1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；
S2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；
S3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；
S4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；
S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能。
进一步：还包括以下步骤：S6:基于深度学习的肾透明细胞癌人工智能病理诊断方法对肾透明细胞癌患者生存预后的预测效能探究：将通过训练集中的图像数据构建的人工智能诊断模型作为分类器，将训练集和测试集中的肾透明细胞癌病例的生存资料和提取的特征信息数据输入进行生存分析预测，通过生存曲线评估人工智能诊断模型对肾透明细胞癌患者生存预后的预测效能，通过受试者工作特征曲线评估人工智能诊断模型的对肾透明细胞癌患者术后生存状态的预测效能。
进一步：步骤S3中:使用软件对特征性模块化图像进行归一化处理，模块化图像特征信息，包括8个主要部分：测量对象相关性、测量对象间隔距离、测量对象占用面积、测量图像强度、测量对象强度、测量对象邻近、测量对象径向分布、测量对象大小形状和测量对象纹理，每个主要部分又细化为多种定量特征信息，最后每个样本分别提取346个定量特征信息。
进一步：步骤S4中:总共筛选出66个与肾透明细胞癌病理诊断显著相关的模块化图像特征信息。
为实现上述第二个目的，本发明采取的技术方案是：一种基于深度学习的肾透明细胞癌人工智能病理诊断模型，通过以下方法构建，包括以下步骤：
S1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；
S2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；
S3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；
S4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；
S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能
进一步：还包括以下步骤：S6:基于深度学习的肾透明细胞癌人工智能病理诊断方法对肾透明细胞癌患者生存预后的预测效能探究：将通过训练集中的图像数据构建的人工智能诊断模型作为分类器，将训练集和测试集中的肾透明细胞癌病例的生存资料和提取的特征信息数据输入进行生存分析预测，通过生存曲线评估人工智能诊断模型对肾透明细胞癌患者生存预后的预测效能，通过受试者工作特征曲线评估人工智能诊断模型的对肾透明细胞癌患者术后生存状态的预测效能。
进一步：步骤S3中:使用软件对特征性模块化图像进行归一化处理，模块化图像特征信息，包括8个主要部分：测量对象相关性、测量对象间隔距离、测量对象占用面积、测量图像强度、测量对象强度、测量对象邻近、测量对象径向分布、测量对象大小形状和测量对象纹理，每个主要部分又细化为多种定量特征信息，最后每个样本分别提取346个定量特征信息。
进一步：步骤S4中:总共筛选出66个与肾透明细胞癌病理诊断显著相关的模块化图像特征信息。
本发明优点在于：
本发明设计所涉及的肾透明细胞癌人工智能病理诊断方法，是基于病理切片显微图像深度机器学习后进行构建的，可实现高效、精准的人工智能病理诊断，有望促进解决国内病理科医师严重短缺、各级医疗机构病理诊断水平参差不齐问题。此外，本发明所涉及的基于深度学习的肾透明细胞癌人工智能病理诊断方法还可以有效预测肾透明细胞癌患者的生存预后，这是传统的病理科医师阅片诊断无法达到的效果，可为肾透明细胞癌患者术后是否继续治疗提供有效的指导意见。本发明步骤3中每个样本分别提取346个定量特征信息，步骤4中66个与肾透明细胞癌病理诊断显著相关的模块化图像特征信息大大提高了本发明的特异性和灵敏度。
附图说明
附图1是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法的流程示意图。
附图2是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法在训练集中的受试者工作特征曲线结果图。
附图3是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法在测试集中的受试者工作特征曲线结果图。
附图4是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法的生存分析曲线示意图。
附图5是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法对肾透明细胞癌患者术后1年生存状态预测的受试者工作特征曲线结果图。
附图6是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法对肾透明细胞癌患者术后3年生存状态预测的受试者工作特征曲线结果图。
具体实施方式
下面结合实施例对本发明提供的具体实施方式作详细说明。
实施例1
为达到上述目的，本发明提出一种基于深度学习的肾透明细胞癌人工智能病理诊断方法，包括以下步骤：请参看图1，图1是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法的流程示意图。
步骤1.数据获取。
从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织经过苏木精-伊红染色后病理显微图像，每个图像均由专业医师标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集。通过随机数法将数据集数据随机分为训练集和测试集。
步骤2.病理显微图像处理
将训练集和测试集的病理显微图像进行20倍显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析。
步骤3.模块化图像特征信息提取
使用CellProfiler(3.1.9，Windows)软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息，包括8个主要部分：测量对象相关性(Measure Correlation)、测量对象间隔距离(Measure Granularity)、测量对象占用面积(Measure Image Area Occupied)、测量图像强度(Measure Image Intensity)、测量对象强度(Measure Object Intensity)、测量对象邻近(Measure ObjectNeighbours)、测量对象径向分布(Measure Object Radial Distribution)、测量对象大小形状(Measure Object Size Shape)和测量对象纹理(Measure Texture)。每个主要部分又细化为多种定量特征信息，最后每个样本分别提取346个定量特征信息。
步骤4.机器深度学习和诊断模型构建
将训练集中的图像提取数据以病理类别(肾透明细胞癌或正常肾脏组织)为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息。总共筛选出66个与肾透明细胞癌病理诊断显著相关的模块化图像特征信息，并以此为基础构建基于深度学习的肾透明细胞癌人工智能病理诊断模型。
步骤5.人工智能诊断模型的诊断效能验证
请参看图2，图3。图2是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法在训练集中的受试者工作特征曲线结果图。图3是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法在测试集中的受试者工作特征曲线结果图。
将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线(Receiver operatingcharacteristic,ROC)评估人工智能诊断模型的诊断效能。
结果表明：基于深度学习的肾透明细胞癌人工智能病理诊断方法在训练集中的ROC曲线下面积(Area under curve,AUC)达99.6％，特异性为96.6％，灵敏度为98.6％；测试集中的ROC曲线下面积达97.0％，特异性为92.4％，灵敏度为93.1％(见图2和图3)。
步骤6.基于深度学习的肾透明细胞癌人工智能病理诊断方法对肾透明细胞癌患者生存预后的预测效能探究
请参看图4，图5和图6。图4是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法的生存分析曲线示意图。图5是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法对肾透明细胞癌患者术后1年生存状态预测的受试者工作特征曲线结果图。图6是一种基于深度学习的肾透明细胞癌人工智能病理诊断方法对肾透明细胞癌患者术后3年生存状态预测的受试者工作特征曲线结果图。
将通过训练集中的图像数据构建的人工智能诊断模型作为分类器，将训练集和测试集中的肾透明细胞癌病例的生存资料和提取的特征信息数据输入进行生存分析预测，通过Kaplan-Meier生存曲线评估人工智能诊断模型对肾透明细胞癌患者生存预后的预测效能，通过受试者工作特征曲线评估人工智能诊断模型的对肾透明细胞癌患者术后1年、3年的生存状态的预测效能(见图4，图5和图6)。
结果表明：基于深度学习的肾透明细胞癌人工智能病理诊断方法可以有效区分生存预后较好和生存预后较差的肾透明细胞癌患者；对肾透明细胞癌患者术后1年生存状态预测的ROC曲线下面积为64.2％，特异性为65.2％，灵敏度为63.6％；对肾透明细胞癌患者术后3年生存状态预测的ROC曲线下面积为64.7％，特异性为73.4％，灵敏度为52.8％。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。
Claims (8)
1.一种基于深度学习的肾透明细胞癌人工智能病理诊断方法，其特征在于，所述的肾透明细胞癌人工智能病理诊断方法，包括以下步骤：
S1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；
S2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；
S3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；
S4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；
S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能。
2.根据权利要求1所述的肾透明细胞癌人工智能病理诊断方法，其特征在于，还包括以下步骤：
S6:对肾透明细胞癌患者生存预后的预测效能探究：将通过训练集中的图像数据构建的人工智能诊断模型作为分类器，将训练集和测试集中的肾透明细胞癌病例的生存资料和提取的特征信息数据输入进行生存分析预测，通过生存曲线评估人工智能诊断模型对肾透明细胞癌患者生存预后的预测效能，通过受试者工作特征曲线评估人工智能诊断模型的对肾透明细胞癌患者术后生存状态的预测效能。
3.根据权利要求1所述的肾透明细胞癌人工智能病理诊断方法，其特征在于，步骤S3:使用软件对特征性模块化图像进行归一化处理，模块化图像特征信息，包括8个主要部分：测量对象相关性、测量对象间隔距离、测量对象占用面积、测量图像强度、测量对象强度、测量对象邻近、测量对象径向分布、测量对象大小形状和测量对象纹理，每个主要部分又细化为多种定量特征信息，最后每个样本分别提取346个定量特征信息。
4.根据权利要求1所述的肾透明细胞癌人工智能病理诊断方法，其特征在于，步骤S4:总共筛选出66个与肾透明细胞癌病理诊断显著相关的模块化图像特征信息。
5.一种基于深度学习的肾透明细胞癌人工智能病理诊断模型，其特征在于，所述的肾透明细胞癌人工智能病理诊断模型通过以下方法构建，包括以下步骤：
S1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；
S2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；
S3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；
S4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；
S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能。
6.根据权利要求5所述的肾透明细胞癌人工智能病理诊断模型，其特征在于，还包括步骤S6:对肾透明细胞癌患者生存预后的预测效能探究：将通过训练集中的图像数据构建的人工智能诊断模型作为分类器，将训练集和测试集中的肾透明细胞癌病例的生存资料和提取的特征信息数据输入进行生存分析预测，通过生存曲线评估人工智能诊断模型对肾透明细胞癌患者生存预后的预测效能，通过受试者工作特征曲线评估人工智能诊断模型的对肾透明细胞癌患者术后生存状态的预测效能。
7.根据权利要求5所述的肾透明细胞癌人工智能病理诊断模型，其特征在于，步骤S3:使用软件对特征性模块化图像进行归一化处理，模块化图像特征信息，包括8个主要部分：测量对象相关性、测量对象间隔距离、测量对象占用面积、测量图像强度、测量对象强度、测量对象邻近、测量对象径向分布、测量对象大小形状和测量对象纹理，每个主要部分又细化为多种定量特征信息，最后每个样本分别提取346个定量特征信息。
8.根据权利要求5所述的肾透明细胞癌人工智能病理诊断模型，其特征在于，步骤S4:总共筛选出66个与肾透明细胞癌病理诊断显著相关的模块化图像特征信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010328191.XA CN111554381A (zh) | 2020-04-23 | 2020-04-23 | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010328191.XA CN111554381A (zh) | 2020-04-23 | 2020-04-23 | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111554381A true CN111554381A (zh) | 2020-08-18 |
Family
ID=72003926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010328191.XA Pending CN111554381A (zh) | 2020-04-23 | 2020-04-23 | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111554381A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435743A (zh) * | 2020-12-09 | 2021-03-02 | 上海市第一人民医院 | 一种基于机器学习的膀胱癌病理组学智能诊断方法及其预后模型 |
| CN115760858A (zh) * | 2023-01-10 | 2023-03-07 | 东南大学附属中大医院 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
| CN108922602A (zh) * | 2018-05-28 | 2018-11-30 | 中山大学附属第六医院 | 基于大数据分析mri图像的直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
| CN110459300A (zh) * | 2019-07-22 | 2019-11-15 | 中国石油大学(华东) | 一种基于计算机视觉与ct影像的肺癌病理类型诊断方法 |
| CN110472629A (zh) * | 2019-08-14 | 2019-11-19 | 青岛大学附属医院 | 一种基于深度学习的病理图像自动识别系统及其训练方法 |
| CN110930402A (zh) * | 2019-12-11 | 2020-03-27 | 大连医科大学附属第一医院 | 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法 |
-
2020
- 2020-04-23 CN CN202010328191.XA patent/CN111554381A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
| CN108922602A (zh) * | 2018-05-28 | 2018-11-30 | 中山大学附属第六医院 | 基于大数据分析mri图像的直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
| CN110459300A (zh) * | 2019-07-22 | 2019-11-15 | 中国石油大学(华东) | 一种基于计算机视觉与ct影像的肺癌病理类型诊断方法 |
| CN110472629A (zh) * | 2019-08-14 | 2019-11-19 | 青岛大学附属医院 | 一种基于深度学习的病理图像自动识别系统及其训练方法 |
| CN110930402A (zh) * | 2019-12-11 | 2020-03-27 | 大连医科大学附属第一医院 | 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435743A (zh) * | 2020-12-09 | 2021-03-02 | 上海市第一人民医院 | 一种基于机器学习的膀胱癌病理组学智能诊断方法及其预后模型 |
| CN115760858A (zh) * | 2023-01-10 | 2023-03-07 | 东南大学附属中大医院 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
| Chen et al. | CytoBrain: cervical cancer screening system based on deep learning technology | |
| Dundar et al. | Computerized classification of intraductal breast lesions using histopathological images | |
| Mi et al. | Deep learning-based multi-class classification of breast digital pathology images | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| Dov et al. | Thyroid cancer malignancy prediction from whole slide cytopathology images | |
| CN112435743A (zh) | 一种基于机器学习的膀胱癌病理组学智能诊断方法及其预后模型 | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| CN114664413B (zh) | 在治疗前对直肠癌治疗抵抗及其分子机制的预测系统 | |
| WO2018157381A1 (zh) | 病理切片图像智能分类方法及装置 | |
| CN112766428A (zh) | 肿瘤分子分型方法及装置、终端设备及可读存储介质 | |
| CN111554381A (zh) | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 | |
| CN114580558A (zh) | 一种子宫内膜癌细胞检测方法、系统、设备及存储介质 | |
| CN115359483A (zh) | 一种针对宫颈液基细胞分类的训练方法 | |
| Saidi et al. | Technology insight: will systems pathology replace the pathologist? | |
| Shukla et al. | Machine learning techniques for detecting and predicting breast cancer | |
| Jing et al. | A comprehensive survey of intestine histopathological image analysis using machine vision approaches | |
| Wang et al. | Lung cancer subtype diagnosis by fusing image-genomics data and hybrid deep networks | |
| Liu et al. | Pathological prognosis classification of patients with neuroblastoma using computational pathology analysis | |
| Taher et al. | Identification of lung cancer based on shape and color | |
| Chauhan et al. | Exploring genetic-histologic relationships in breast cancer | |
| Chayadevi et al. | Data mining, Classification and Clustering with Morphological features of Microbes | |
| CN113178228B (zh) | 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质 | |
| CN113255718B (zh) | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 | |
| Taher et al. | Morphology analysis of sputum color images for early lung cancer diagnosis |
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: 20200818 |
|
| RJ01 | Rejection of invention patent application after publication |