CN111640503A - 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 - Google Patents

Abstract

本发明提供一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法，包括：数据获取模块，获取早期肺癌患者的第一肺部断层扫描影像和真实肿瘤突变负荷，晚期肺癌患者的第二肺部断层扫描影像和临床生存数据；第一处理模块，采用预设的标注框进行标注得到第一肺部标注影像和第二肺部标注影像；将各第一肺部标注影像及真实肿瘤突变负荷加入第一数据集合；模型训练模块，根据第一数据集合训练得到肿瘤突变负荷预测模型；第二处理模块，将各第二肺部标注影像输入肿瘤突变负荷预测模型得到预测肿瘤突变负荷；根据各临床生存数据进行生存分析得到生存分析曲线，并处理得到预测肿瘤突变负荷的分布曲线与生存分析曲线的相似度。有效提升预测准确性且节约成本。

Description

一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法

技术领域

本发明涉及深度学习技术领域，尤其涉及一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法。

背景技术

肺癌是全球癌症相关死亡的首要病因。在肺癌的治疗中，新型免疫检查点抑制剂能够引发持久的抗肿瘤效应。然而，对于晚期肺癌，只有少部分患者能对免疫检查点抑制剂产生反应，获得预期的抗肿瘤效果。因此，在接受免疫治疗前，精准预测患者临床反应性，明确免疫治疗获益人群对于晚期肺癌的治疗至关重要。

当前，许多生物标记物已被证实与免疫治疗疗效存在相关性，如程序性死亡受体-1(PD-L1)表达，肿瘤浸润淋巴细胞和炎症细胞因子等，但其预测效果不够理想，无法满足晚期肺癌精准治疗的需要。随着第二代测序技术的发展，肿瘤突变负荷(TMB)成为肺癌领域的研究热点，通过检测患者的TMB水平，能够实现对免疫治疗反应性的有效预测。然而，TMB水平的评估需要行肿瘤细胞活检这一有创性操作，且后续一系列实验室检测需消耗大量时间和精力，无法满足临床需求。因此，构建一种无创的生物标记物评估晚期肺癌患者的TMB水平进而预测免疫治疗反应性具有极高的临床价值。

影像组学是一种对肿瘤特征进行定量分析的无创性工具，能够挖掘出人眼无法识别的肿瘤内部深度影像信息。相关研究表明，基于影像组学，可以实现对肿瘤辅助诊断，治疗方式指导及预后评估。此外，已有研究证实，处于不同免疫治疗周期患者的肿瘤CT图像特征存在显著的差异，这为影像组学预测免疫治疗获益提供了可能。

但传统的影像组学仍存在以下问题；1)需要手工或半自动获取靶病灶的体积，具有客观存在误差且需要耗费大量的精力；2)仅提取肿瘤病灶本身的特征，病灶周边影像组学特征可以反映肿瘤微环境的特点，其在肿瘤预后评估工作中也具有重要意义。随着计算机硬件设备的飞跃式发展以及大数据时代的到来，深度学习技术可以实现对图像深层特征的直接提取，并自动训练模型。推动了影像组学的进一步发展。目前，已有研究基于深度学习技术提取影像组学特征，评估肿瘤TMB水平在免疫治疗反应性中的价值。但是，尚无研究探索其在晚期肺癌接受免疫检查点抑制剂治疗的患者中的疗效预测意义。

发明内容

针对现有技术中存在的问题，本发明提供一种晚期肺癌患者的肿瘤突变负荷的预测系统，具体包括：

数据获取模块，所述数据获取模块包括：

第一获取单元，用于获取若干早期肺癌患者的包含病灶区域的第一肺部断层扫描影像，以及所述病灶区域关联的真实肿瘤突变负荷；

第二获取单元，用于获取若干晚期肺癌患者进行免疫治疗前的包含所述病灶区域的第二肺部断层扫描影像，以及各所述晚期肺癌患者的进行所述免疫治疗后的临床生存数据；

第一处理模块，连接所述数据获取模块，所述第一处理模块包括：

影像标注单元，用于采用预设的标注框分别对各所述第一肺部断层扫描影像和各所述第二肺部断层扫描影像中的所述病灶区域进行标注，得到第一肺部标注影像和第二肺部标注影像；

数据整合单元，连接所述影像标注单元，用于将各所述第一肺部标注影像以及关联的所述真实肿瘤突变负荷加入一第一数据集合，并将各所述第二肺部标注影像以及对应的所述临床生存数据加入一第二数据集合；

模型训练模块，连接所述第一处理模块，用于根据所述第一数据集合，以所述第一肺部断层扫描影像为输入，以所述真实肿瘤突变负荷为输出，训练得到肿瘤突变负荷预测模型；

第二处理模块，分别连接所述第一处理模块和所述模型训练模块，所述第二处理模块包括：

第一处理单元，用于将所述第二数据集合中的各所述第二肺部标注影像输入所述肿瘤突变负荷预测模型得到相应的预测肿瘤突变负荷，并处理得到各所述预测肿瘤突变负荷的分布曲线；

第二处理单元，连接所述第一处理单元，用于根据所述第二数据集合中的各所述临床生存数据进行生存分析得到生存分析曲线，并处理得到所述分布曲线与所述生存分析曲线的相似度以表征所述肿瘤突变负荷预测模型的预测准确率；

医生根据所述肿瘤突变负荷预测模型和所述预测准确率给出晚期肺癌患者的所述免疫治疗的治疗意见。

优选的，所述影像标注单元包括：

重建子单元，用于分别对各所述第一肺部断层扫描影像和各所述第二肺部断层扫描影像进行三维重建得到第一重建影像和第二重建影像；

标注子单元，连接所述重建子单元，用于采用所述标注框分别对各所述第一重建影像和所述第二重建影像中的所述病灶区域进行标注，得到所述第一肺部标注影像和所述第二肺部标注影像。

优选的，所述标注框为外接于所述病灶区域的长方体形状。

优选的，所述模型训练模块包括：

分组单元，用于对所述第一数据集合进行分组得到训练子集合和验证子集合；

训练单元，连接所述分组单元，用于根据所述训练子集合进行模型训练，并在训练过程中，每间隔第一预设训练次数输出对应的预测模型；

处理单元，分别连接所述分组单元和所述训练单元，用于根据所述验证子集合分别对各所述预测模型进行预测效能验证，并将预测效能最高的所述预测模型作为所述肿瘤突变负荷预测模型输出。

优选的，所述训练单元中预先保存有按照预设顺序排列的若干学习率，在训练过程中，每间隔第二预设训练次数根据所述预设顺序对所述学习率进行一次调整。

优选的，所述肿瘤突变负荷预测模型包括一特征提取单元和一分类单元，且所述特征提取单元的输出作为所述分类单元的输入。

优选的，所述特征提取单元采用3D-Densenet网络结构。

优选的，所述分类单元采用全连接网络结构。

一种晚期肺癌患者的肿瘤突变负荷的预测方法，应用于以上任意一项所述的预测系统，所述预测方法具体包括：

步骤S1，所述预测系统获取若干早期肺癌患者的包含病灶区域的第一肺部断层扫描影像，以及所述病灶区域关联的真实肿瘤突变负荷，和若干晚期肺癌患者进行免疫治疗前的包含所述病灶区域的第二肺部断层扫描影像，以及各所述晚期肺癌患者的进行所述免疫治疗后的临床生存数据；

步骤S2，所述预测系统采用预设的标注框分别对各所述第一肺部断层扫描影像和各所述第二肺部断层扫描影像中的所述病灶区域进行标注，得到第一肺部标注影像和第二肺部标注影像，并将各所述第一肺部标注影像以及关联的所述真实肿瘤突变负荷加入一第一数据集合，将各所述第二肺部标注影像以及对应的所述临床生存数据加入一第二数据集合；

步骤S3，所述预测系统根据所述第一数据集合，以所述第一肺部断层扫描影像为输入，以所述真实肿瘤突变负荷为输出，训练得到肿瘤突变负荷预测模型；

步骤S4，所述预测系统将所述第二数据集合中的各所述第二肺部标注影像输入所述肿瘤突变负荷预测模型得到相应的预测肿瘤突变负荷，并处理得到各所述预测肿瘤突变负荷的分布曲线；

步骤S5，所述预测系统根据所述第二数据集合中的各所述临床生存数据进行生存分析得到生存分析曲线，并处理得到所述分布曲线与所述生存分析曲线的相似度以表征所述肿瘤突变负荷预测模型的预测准确率；

医生根据所述肿瘤突变负荷预测模型和所述预测准确率给出晚期肺癌患者的所述免疫治疗的治疗意见。

上述技术方案具有如下优点或有益效果：

1)采用无创性的断层扫描影像进行肿瘤突变负荷水平的预测，患者无需进行手术切片或其他创伤性检测手段，有效提升患者体验且节约患者经济成本；

2)采用预设的标注框进行病灶区域的标注，该标注框框选区域不仅包含肿瘤病灶本身，也包含了病灶周边区域，有效提升预测准确性。

附图说明

图1为本发明的较佳的实施例中，一种肿瘤突变负荷水平的预测系统的结构示意图；

图2为本发明的较佳的实施例中，一种肿瘤突变负荷水平的预测方法的流程示意图；

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。

本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种晚期肺癌患者的肿瘤突变负荷的预测系统，如图1所示，具体包括：

数据获取模块1，数据获取模块1包括：

第一获取单元11，用于获取若干早期肺癌患者的包含病灶区域的第一肺部断层扫描影像，以及病灶区域关联的真实肿瘤突变负荷；

第二获取单元12，用于获取若干晚期肺癌患者进行免疫治疗前的包含病灶区域的第二肺部断层扫描影像，以及各晚期肺癌患者的进行免疫治疗后的临床生存数据；

第一处理模块2，连接数据获取模块1，第一处理模块2包括：

影像标注单元21，用于采用预设的标注框分别对各第一肺部断层扫描影像和各第二肺部断层扫描影像中的病灶区域进行标注，得到第一肺部标注影像和第二肺部标注影像；

数据整合单元22，连接影像标注单元21，用于将各第一肺部标注影像以及关联的真实肿瘤突变负荷加入一第一数据集合，并将各第二肺部标注影像以及对应的临床生存数据加入一第二数据集合；

模型训练模块3，连接第一处理模块2，用于根据第一数据集合，以第一肺部断层扫描影像为输入，以真实肿瘤突变负荷为输出，训练得到肿瘤突变负荷预测模型；

第二处理模块4，分别连接第一处理模块2和模型训练模块3，第二处理模块4包括：

第一处理单元41，用于将第二数据集合中的各第二肺部标注影像输入肿瘤突变负荷预测模型得到相应的预测肿瘤突变负荷，并处理得到各预测肿瘤突变负荷的分布曲线；

第二处理单元42，连接第一处理单元41，用于根据第二数据集合中的各临床生存数据进行生存分析得到生存分析曲线，并处理得到分布曲线与生存分析曲线的相似度以表征肿瘤突变负荷预测模型的预测准确率；

医生根据肿瘤突变负荷预测模型和预测准确率给出晚期肺癌患者的免疫治疗的治疗意见。

具体地，本实施例中，TMB，全称是“肿瘤基因突变负荷”，tumor mutationalburden，是一个定量评估病人肿瘤组织中基因突变数量的指标，肿瘤组织中突变的基因越多，就越有可能产生更多的异常的蛋白质；这些异常的蛋白质，就越有可能被免疫系统识破，从而激活人体的抗癌免疫反应，因此对肿瘤免疫治疗的疗效就越好。但现有技术中的TMB检测通过需要提供组织切片，为保证肿瘤突变负荷的检测准确性，通常将早期肺癌患者进行肿瘤切除，并对切除后的病灶进行肿瘤突变负荷的检测，该检测过程具有创伤性且检测费用昂贵，并且不适用于晚期肺癌患者。

因此，本发明提供一种无创性的肿瘤突变负荷的预测系统及方法，首先通过对早期肺癌患者的肺部断层扫描影像进行特征提取分析，能够训练得到肿瘤突变负荷预测模型，该肿瘤突变负荷预测模型能够对早期肺癌患者的肺部断层扫描影像进行处理，得到早期肺癌患者的预测肿瘤突变负荷；需要进一步验证该肿瘤突变负荷预测模型对晚期肺癌患者的肿瘤突变负荷的预测效能，本实施例中，由于肿瘤突变负荷越高，其肿瘤免疫治疗的疗效越好，即患者的生存周期相应越长，换言之，患者的生存周期能够用来表征肿瘤突变负荷的预测结果的准确率。因此，能够通过获取多个晚期肺癌患者在接受免疫治疗之前的肺部断层影像以及在接受免疫治疗之后的临床生存数据验证上述预测效能。

进一步具体地，在训练肿瘤突变负荷预测模型之前，首先需要准备相应的训练数据，即多个早期肺癌患者的包含病灶区域的第一肺部断层扫描影像，以及病灶区域关联的真实肿瘤突变负荷；其中，上述第一肺部断层扫描影像优选为早期肺癌患者在接受外科手术之前的 CT影像，即包含病灶区域；上述真实肿瘤突变负荷优选为早期肺癌患者在接受外科手术之后，对手术切除得到的病灶部位进行基因测序得到的数据，进一步保证了真实肿瘤突变负荷的准确性，从而进一步提升训练得到的肿瘤突变负荷预测模型的预测准确率。

其次，在对第一肺部断层扫描影像进行标注之前，优选先对各第一肺部断层扫描影像进行图像三维重建，以获取完整的病灶区域图像，随后在三维重建后的图像上采用预设的标注框对病灶区域进行框选。上述标注框包括但不限于外接于病灶区域的长方体，相较于现有的对病灶区域的边界进行标注，一方面有效提升病灶区域的标注效率，另一方面能够标注到病灶区域周边的能够反映肿瘤微环境特点的影像，影像特征覆盖更全面。

随后，根据标注好的早期肺癌患者的第一肺部标注影像以及第一肺部标注影像的病灶区域关联的这是肿瘤突变负荷，训练得到以所述第一肺部断层扫描影像为输入，以所述真实肿瘤突变负荷为输出的肿瘤突变负荷预测模型。作为一个优选的实施例，上述模型训练过程共历经60次循环，并采用4个较小的学习率，上述四个较小的学习率优选为1e-4，1e-5，1e-6，和1e-7，并按照从大到小的顺序排列，在训练过程中，优选每经历5次循环对学习率进行一次调整，即是说，从开始训练开始统计，在第5次循环结束后，采用1e-4的学习率对训练参数进行调整，在第10次循环结束后，采用1e-5的学习率对训练参数进行调整，在第15次循环结束后，采用1e-6的学习率对训练参数进行调整，在第20次循环结束后，采用1e-7的学习率对训练参数进行调整，在第25次循环结束后，采用1e-4的学习率对训练参数进行调整，以此类推，直至训练结束。进一步优选的，在上述模型训练过程中，还包括每20次循环挑选出一个最优模型，共计挑选3次，选择其中预测效能最高者作为最终输出的肿瘤突变负荷预测模型。更进一步地，在模型训练过程中，通过交叉熵损失函数和Adam优化器对模型进行优化，进一步提高模型效能。最终，通过接受者操作特性曲线(ROC)的曲线下面积(AUC)评估该肿瘤突变负荷预测模型的预测准确性。

在训练得到上述肿瘤突变负荷预测模型之后，显然该肿瘤突变负荷预测模型时能够对早期肺癌患者进行肿瘤突变负荷预测的，即早期肺癌患者无需进行外科手术取出病灶后再进行基因测序，只需提供包含病灶区域的肺CT影像，即可以通过上述肿瘤突变负荷预测模型进行预测得到。但上述肿瘤突变负荷预测模型是否适用于晚期肺癌患者的肿瘤突变负荷的预测需要进一步进行验证。

本实施例中，通过获取多个晚期肺癌患者的第二肺部断层扫描影像，并通过与第一肺部断层扫描影像同样的三维重建和标注过程，得到能够送入肿瘤突变负荷预测模型进行预测的第二肺部标注影像，并在得到相应的预测肿瘤突变负荷后，进一步处理得到各所述预测肿瘤突变负荷的分布曲线，该分布曲线能够表征肿瘤突变负荷的数值高低变化及分布情况。随后通过获取上述多个晚期肺癌患者在接受免疫治疗后的临床生存数据进行生存分析得到生存分析曲线，该生存分析曲线能够表征晚期肺癌患者对于免疫治疗的预后情况，而肿瘤突变负荷越高，免疫治疗的预后越好，因此通过分析分布曲线与生存分析曲线的相似度能够表征所述肿瘤突变负荷预测模型的预测准确率。上述生存分析优选对晚期肺癌患者的总体生存(OS)和无进展生存(PFS) 进行K-M生存分析和Cox回归分析。

因此，对于晚期肺癌患者，医生能够首先将晚期肺癌患者的肺部 CT影像输入上述肿瘤突变负荷预测模型得到预测肿瘤突变负荷，随后结合上述预测准确率作为参考给出晚期肺癌患者的所述免疫治疗的治疗意见。

本发明的较佳的实施例中，影像标注单元21包括：

重建子单元211，用于分别对各第一肺部断层扫描影像和各第二肺部断层扫描影像进行三维重建得到第一重建影像和第二重建影像；

标注子单元212，连接重建子单元211，用于采用标注框分别对各第一重建影像和第二重建影像中的病灶区域进行标注，得到第一肺部标注影像和第二肺部标注影像。

本发明的较佳的实施例中，标注框为外接于病灶区域的长方体形状。

本发明的较佳的实施例中，模型训练模块3包括：

分组单元31，用于对第一数据集合进行分组得到训练子集合和验证子集合；

训练单元32，连接分组单元31，用于根据训练子集合进行模型训练，并在训练过程中，每间隔第一预设训练次数输出对应的预测模型；

处理单元33，分别连接分组单元31和训练单元32，用于根据验证子集合分别对各预测模型进行预测效能验证，并将预测效能最高的预测模型作为肿瘤突变负荷预测模型输出。

本发明的较佳的实施例中，训练单元32中预先保存有按照预设顺序排列的若干学习率，在训练过程中，每间隔第二预设训练次数根据预设顺序对学习率进行一次调整。

本发明的较佳的实施例中，肿瘤突变负荷预测模型包括一特征提取单元和一分类单元，且特征提取单元的输出作为分类单元的输入。

本发明的较佳的实施例中，特征提取单元采用3D-Densenet网络结构。

具体地，本实施例中，上述3D-Densenet网络结构包含为4个密集连接模块，能够自动从每个靶病灶中提取1020个影像组学特征。

本发明的较佳的实施例中，分类单元采用全连接网络结构。

具体地，本实施例中，上述全连接网络结构分为输入层、隐藏层和输出层。输入层纳入所有的深度学习特征，隐含层包含128个节点。

一种晚期肺癌患者的肿瘤突变负荷的预测方法，应用于以上任意一项的预测系统，如图2所示，预测方法具体包括：

步骤S1，预测系统获取若干早期肺癌患者的包含病灶区域的第一肺部断层扫描影像，以及病灶区域关联的真实肿瘤突变负荷，和若干晚期肺癌患者进行免疫治疗前的包含病灶区域的第二肺部断层扫描影像，以及各晚期肺癌患者的进行免疫治疗后的临床生存数据；

步骤S2，预测系统采用预设的标注框分别对各第一肺部断层扫描影像和各第二肺部断层扫描影像中的病灶区域进行标注，得到第一肺部标注影像和第二肺部标注影像，并将各第一肺部标注影像以及关联的真实肿瘤突变负荷加入一第一数据集合，将各第二肺部标注影像以及对应的临床生存数据加入一第二数据集合；

步骤S3，预测系统根据第一数据集合，以第一肺部断层扫描影像为输入，以真实肿瘤突变负荷为输出，训练得到肿瘤突变负荷预测模型；

步骤S4，预测系统将第二数据集合中的各第二肺部标注影像输入肿瘤突变负荷预测模型得到相应的预测肿瘤突变负荷，并处理得到各预测肿瘤突变负荷的分布曲线；

步骤S5，预测系统根据第二数据集合中的各临床生存数据进行生存分析得到生存分析曲线，并处理得到分布曲线与生存分析曲线的相似度以表征肿瘤突变负荷预测模型的预测准确率；

医生根据肿瘤突变负荷预测模型和预测准确率给出晚期肺癌患者的免疫治疗的治疗意见。

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 (9)

1.一种晚期肺癌患者的肿瘤突变负荷的预测系统，其特征在于，具体包括：

数据获取模块，所述数据获取模块包括：

第一获取单元，用于获取若干早期肺癌患者的包含病灶区域的第一肺部断层扫描影像，以及所述病灶区域关联的真实肿瘤突变负荷；

第二获取单元，用于获取若干晚期肺癌患者进行免疫治疗前的包含所述病灶区域的第二肺部断层扫描影像，以及各所述晚期肺癌患者的进行所述免疫治疗后的临床生存数据；

第一处理模块，连接所述数据获取模块，所述第一处理模块包括：

影像标注单元，用于采用预设的标注框分别对各所述第一肺部断层扫描影像和各所述第二肺部断层扫描影像中的所述病灶区域进行标注，得到第一肺部标注影像和第二肺部标注影像；

数据整合单元，连接所述影像标注单元，用于将各所述第一肺部标注影像以及关联的所述真实肿瘤突变负荷加入一第一数据集合，并将各所述第二肺部标注影像以及对应的所述临床生存数据加入一第二数据集合；

模型训练模块，连接所述第一处理模块，用于根据所述第一数据集合，以所述第一肺部断层扫描影像为输入，以所述真实肿瘤突变负荷为输出，训练得到肿瘤突变负荷预测模型；

第二处理模块，分别连接所述第一处理模块和所述模型训练模块，所述第二处理模块包括：

第一处理单元，用于将所述第二数据集合中的各所述第二肺部标注影像输入所述肿瘤突变负荷预测模型得到相应的预测肿瘤突变负荷，并处理得到各所述预测肿瘤突变负荷的分布曲线；

第二处理单元，连接所述第一处理单元，用于根据所述第二数据集合中的各所述临床生存数据进行生存分析得到生存分析曲线，并处理得到所述分布曲线与所述生存分析曲线的相似度以表征所述肿瘤突变负荷预测模型的预测准确率；

医生根据所述肿瘤突变负荷预测模型和所述预测准确率给出晚期肺癌患者的所述免疫治疗的治疗意见。

2.根据权利要求1所述的预测系统，其特征在于，所述影像标注单元包括：

重建子单元，用于分别对各所述第一肺部断层扫描影像和各所述第二肺部断层扫描影像进行三维重建得到第一重建影像和第二重建影像；

标注子单元，连接所述重建子单元，用于采用所述标注框分别对各所述第一重建影像和所述第二重建影像中的所述病灶区域进行标注，得到所述第一肺部标注影像和所述第二肺部标注影像。

3.根据权利要求2所述的预测系统，其特征在于，所述标注框为外接于所述病灶区域的长方体形状。

4.根据权利要求1所述的预测系统，其特征在于，所述模型训练模块包括：

分组单元，用于对所述第一数据集合进行分组得到训练子集合和验证子集合；

训练单元，连接所述分组单元，用于根据所述训练子集合进行模型训练，并在训练过程中，每间隔第一预设训练次数输出对应的预测模型；

处理单元，分别连接所述分组单元和所述训练单元，用于根据所述验证子集合分别对各所述预测模型进行预测效能验证，并将预测效能最高的所述预测模型作为所述肿瘤突变负荷预测模型输出。

5.根据权利要求4所述的预测系统，其特征在于，所述训练单元中预先保存有按照预设顺序排列的若干学习率，在训练过程中，每间隔第二预设训练次数根据所述预设顺序对所述学习率进行一次调整。

6.根据权利要求1所述的预测系统，其特征在于，所述肿瘤突变负荷预测模型包括一特征提取单元和一分类单元，且所述特征提取单元的输出作为所述分类单元的输入。

7.根据权利要求6所述的预测系统，其特征在于，所述特征提取单元采用3D-Densenet网络结构。

8.根据权利要求6所述的预测系统，其特征在于，所述分类单元采用全连接网络结构。

9.一种晚期肺癌患者的肿瘤突变负荷的预测方法，其特征在于，应用于如权利要求1-8中任意一项所述的预测系统，所述预测方法具体包括：

步骤S1，所述预测系统获取若干早期肺癌患者的包含病灶区域的第一肺部断层扫描影像，以及所述病灶区域关联的真实肿瘤突变负荷，和若干晚期肺癌患者进行免疫治疗前的包含所述病灶区域的第二肺部断层扫描影像，以及各所述晚期肺癌患者的进行所述免疫治疗后的临床生存数据；

步骤S2，所述预测系统采用预设的标注框分别对各所述第一肺部断层扫描影像和各所述第二肺部断层扫描影像中的所述病灶区域进行标注，得到第一肺部标注影像和第二肺部标注影像，并将各所述第一肺部标注影像以及关联的所述真实肿瘤突变负荷加入一第一数据集合，将各所述第二肺部标注影像以及对应的所述临床生存数据加入一第二数据集合；

步骤S3，所述预测系统根据所述第一数据集合，以所述第一肺部断层扫描影像为输入，以所述真实肿瘤突变负荷为输出，训练得到肿瘤突变负荷预测模型；

步骤S4，所述预测系统将所述第二数据集合中的各所述第二肺部标注影像输入所述肿瘤突变负荷预测模型得到相应的预测肿瘤突变负荷，并处理得到各所述预测肿瘤突变负荷的分布曲线；

步骤S5，所述预测系统根据所述第二数据集合中的各所述临床生存数据进行生存分析得到生存分析曲线，并处理得到所述分布曲线与所述生存分析曲线的相似度以表征所述肿瘤突变负荷预测模型的预测准确率；

医生根据所述肿瘤突变负荷预测模型和所述预测准确率给出晚期肺癌患者的所述免疫治疗的治疗意见。

Images