CN111862085A - 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 - Google Patents
一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 Download PDFInfo
- Publication number
- CN111862085A CN111862085A CN202010765435.0A CN202010765435A CN111862085A CN 111862085 A CN111862085 A CN 111862085A CN 202010765435 A CN202010765435 A CN 202010765435A CN 111862085 A CN111862085 A CN 111862085A
- Authority
- CN
- China
- Prior art keywords
- lymph node
- occult
- nsclc
- peripheral
- predicting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 208000007433 Lymphatic Metastasis Diseases 0.000 title claims abstract description 60
- 208000002154 non-small cell lung carcinoma Diseases 0.000 title claims abstract description 53
- 230000002093 peripheral effect Effects 0.000 title claims abstract description 44
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 claims abstract description 41
- 210000001165 lymph node Anatomy 0.000 claims abstract description 24
- 238000003384 imaging method Methods 0.000 claims abstract description 18
- 230000001575 pathological effect Effects 0.000 claims abstract description 15
- 206010027476 Metastases Diseases 0.000 claims abstract description 10
- 230000003447 ipsilateral effect Effects 0.000 claims abstract description 10
- 230000009401 metastasis Effects 0.000 claims abstract description 10
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims description 13
- 206010028980 Neoplasm Diseases 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 8
- 230000007170 pathology Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000036039 immunity Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000001839 endoscopy Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000000729 Fisher's exact test Methods 0.000 description 1
- 238000001207 Hosmer–Lemeshow test Methods 0.000 description 1
- 208000008771 Lymphadenopathy Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013211 curve analysis Methods 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
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229950009791 durvalumab Drugs 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011127 radiochemotherapy Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法及系统,包括,采集PET‑CT中临床分期N1期原发灶及同侧肺门淋巴结的影像组学特征和临床病理特征;利用所述的影像组学特征和临床病理特征建立Nomogram模型;基于所述Nomogram模型对临床中的患者进行评分,获得对应的风险概率系数;利用所述风险概率系数预测评估隐匿性N2淋巴结发生转移的概率。本发明通过卷积神经网络对影像组学特征进行提取,进一步提升了影像组学分类或预测的准确性和可靠性,和基于影像组学的Nomogram可以更直观、更精准的根据每位非小细胞肺癌患者的实际情况提供有无淋巴结转移的个性化信息,让患者避免不必要的医疗检查及手术。
Description
技术领域
本发明涉及影像组学和深度学习的技术领域,尤其涉及一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法及系统。
背景技术
PET-CT在NSCLC(Non-small cell lung cancer)患者cTNM分期及指导临床治疗等方面发挥重要的作用,但在cN分期诊断中仍存在假阴性问题。2020版美国国立综合癌症网络(National Comprehensive Cancer Network,NCCN)指出对于cTNM分期明确N2转移的NSCLC患者,可以选择同步根治性放化疗+Durvalumab药物治疗(I类证据),然而,实际工作中大约25%的cN1(clinicalN1)患者会发生隐匿性N2淋巴结转移,虽然NCCN对于PET-CT未发现转移淋巴结的NSCLC患者推荐采用超声内镜及纵隔镜等方法进一步明确诊断,但Dooms的研究证实内镜检查在cN1中发现隐匿性N2淋巴结转移的敏感度很低。并且,Meta分析显示纵隔镜在检查隐匿性N2淋巴结转移中的价值尚存争议。因此,目前常规纵隔分期方法对在cN1期患者中排除隐匿性N2淋巴结转移效果并不理想。利用PET-CT常规参数诊断N2淋巴结转移,虽有一定价值但曲线下面积不高。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法,利用深度学习网络训练提取特征,直接在全连接层完成初筛,然后通过构建的Nomogram模型更直观、更精准的根据每位非小细胞肺癌患者的实际情况提供有无淋巴结转移的个性化信息,让患者避免不必要的医疗检查及手术。
为解决上述技术问题,本发明提供如下技术方案:包括,采集PET-CT中临床分期N1期原发灶及同侧肺门淋巴结的影像组学特征和临床病理特征;利用所述的影像组学特征和临床病理特征建立Nomogram模型;基于所述Nomogram模型对临床中的患者进行评分,获得对应的风险概率系数;利用所述风险概率系数预测评估隐匿性N2淋巴结发生转移的概率。
作为本发明所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的一种优选方案,其中:所述影像组学特征包括,采集高质量和标准化的PET和CT进行判断和评估;利用自动、半自动分割方法从获取的图像中勾画ROI;利用卷积神经网络提取所述ROI中的影像组学特征,其包括强度分布的描述、不同强度水平间的空间关系、纹理图案的形状和异质性以及对原发肿瘤或淋巴结与周围组织关系的描述。
作为本发明所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的一种优选方案,其中:所述ROI包括,勾勒所述cN1期原发灶及同侧肺门淋巴结的边界。
作为本发明所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的一种优选方案,其中:所述临床病理特征包括,患者的住院病历上的年龄、身高、体重、吸烟史以及实验室肿瘤免疫指标检查信息。
作为本发明所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的一种优选方案,其中:所述卷积神经网络包括,利用VGG16网络模型对所述淋巴结形态进行特征训练,所述VGG16网络模型包括,13层卷积层,5层池化层和3层全连接层;卷积层:用于对组学图像进行特征提取;池化层:用于选择和过滤卷积层输出的特征图像;全连接层:用于进行图像特征的分类,实现对组学特征的初筛。
作为本发明所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的一种优选方案,其中:所述建立Nomogram模型包括,筛选所述影像组学特征和所述临床病理特征;对所述影像组学特征和所述临床病理特征进行降维处理;计算AIC值,通过判断AIC值大小来选择建立Nomogram的模型参数。
作为本发明所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的一种优选方案,其中:所述筛选包括,判断P值是否小于0.05以统计自变量是否有统计学差异;利用单因素logistics回归,反映特征(自变量X)与标签(因变量Y)的关系;对所述关系进行相关性分析(去冗余),评价特征之间有无相关性。
作为本发明所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的一种优选方案,其中:所述降维处理包括,采用LASSO回归策略进行降维,在残差平方和最小化的计算中加入一个lp范数作为罚约束;对λ的给定值进行交叉验证,选取交叉验证误差最小的λ值;根据得到的值,利用全部数据重新拟合模型。
作为本发明所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的一种优选方案,其中:所述计算AIC值包括,在一般的情况下,AIC可以表示为:
AIC=(2k-2L)/n
其中:k是参数的数量,L是对数似然值,n是观测值数目。
本发明还提如下技术方案:一种周围型NSCLC的隐匿性N2淋巴结转移的预测系统的一种优选方案,包括,采集模块,用于采集PET-CT中cN1期原发灶及同侧肺门淋巴结的影像组学特征和临床病理特征;建模模块与所述采集模块相连接,其用于调取所述像组学特征和临床病理特征构建Nomogram模型;预测模块连接于所述建模模块,其用于通过所述Nomogram模型对于临床中的患者进行评分,每一个分值在Nomogram模型上都有对应的风险概率系数,用所述风险概率系数来评估周围型非小细胞肺癌中的隐匿性N2淋巴结发生转移的概率。
本发明的有益效果:本发明基于卷积神经网络对影像组学特征进行提取相比于传统影像组学来说,进一步提升了影像组学分类或预测的准确性和可靠性,和基于影像组学的Nomogram可以对于常规影像图像中肉眼无法观察到的大量信息进行充分挖掘,较传统模式来说此方法能提供更多有价值的信息。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的流程示意图;
图2为本发明第一个实施例所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的VGG16网络结构图;
图3为本发明第一个实施例所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的预测示意图;
图4为本发明第一个实施例所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法的ROC曲线图;
图5为本发明第二个实施例所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测系统的模块结构分布示意图;
图6为本发明第二个实施例所述的一种周围型NSCLC的隐匿性N2淋巴结转移的预测系统的网络拓扑结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图4,为本发明的第一个实施例,本发明的第一个实施例提供了一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法,包括:
S1:采集PET-CT中cN1(clinical N1)期原发灶及同侧肺门淋巴结的影像组学特征和临床病理特征。其中需要说明的是:
(1)采集高质量和标准化的PET和CT进行判断和评估;
(2)利用自动、半自动分割方法从获取的图像中勾画ROI;
(3)利用卷积神经网络提取ROI中的影像组学特征,其包括强度分布的描述、不同强度水平间的空间关系、纹理图案的形状和异质性以及对原发肿瘤或淋巴结与周围组织关系的描述。
具体的,ROI为勾勒cN1期原发灶及同侧肺门淋巴结的边界。
需要说明的是,临床病理特征为患者的住院病历上的年龄、身高、体重、吸烟史以及实验室肿瘤免疫指标检查信息。
神经网络为VGG16网络模型,用网络模型对原发肿瘤或淋巴结形态进行特征提取训练,VGG16网络模型包括,13层卷积层,5层池化层和3层全连接层;
卷积层:用于对组学图像进行特征提取;
池化层:用于选择和过滤卷积层输出的特征图像;
全连接层:用于进行图像特征的分类,实现对组学特征的初筛。
S2:利用的影像组学特征和临床病理特征建立Nomogram模型。本步骤需要说明的是:
(1)筛选影像组学特征和临床病理特征;
(2)对影像组学特征和临床病理特征进行降维处理;
(3)计算AIC值,通过判断AIC值大小来选择建立Nomogram的模型参数。
具体的,筛选的步骤如下:
(1)判断P值是否<0.05以统计自变量是否有统计学差异;
(2)利用单因素logistics回归,反映特征(自变量X)与标签(因变量Y)的关系;
(3)对关系进行相关性分析(去冗余),评价特征之间有无相关性,如果相关性大,就可以用其中一个特征取代传统特征。相关性分析常用方法:正态分布用Pearson相关,非正态用Spearman秩相关;相关性分析以0.9作为分界线,若≥0.9则取代传统特征。
降维处理的步骤如下:
(1)采用LASSO回归策略进行降维,在残差平方和最小化的计算中加入一个lp范数作为罚约束;
(2)对λ的给定值进行交叉验证,选取交叉验证误差最小的λ值;
(3)根据得到的值,利用全部数据重新拟合模型。
需要说明的是,在一般的情况下,AIC可以表示为:
AIC=(2k-2L)/n
其中:k是参数的数量,L是对数似然值,n是观测值数目;AIC的大小取决于L和k,k取值越小,AIC越小;L取值越大,AIC值越小。k小意味着模型简洁,L大意味着模型精确。因此AIC和修正的决定系数类似,在评价模型是兼顾了简洁性和精确性。具体到,L=-(n/2)*ln(2*pi)-(n/2)*ln(SSE/n)-n/2,其中n为样本量,SSE为残差平方和。
S3:基于Nomogram模型对临床中的患者进行评分,获得对应的风险概率系数。其中包括:
在Nomogram中,不同参数赋予不同的值,所有值相加后得到总值,这个值对应有一个风险概率系数。
S4:利用风险概率系数预测评估隐匿性N2淋巴结发生转移的概率。
如图3所示,该图为基于影像组学的Nomogram预测淋巴结转移概率的举例,该图说明:该图一共分为5行,其中第一行为分数显示行(Points);第二行及第三行均为根据患者的实际情况进行评分,分别是根据组学特征的得分(Radiomics score)和依据CT报告的淋巴结尺寸及位置判断的分期,分为N0和N1-N2两类;第四行是上面两行得分相加后对应的总分数(Total Points),最后一行是根据第四行分数对应到相应患病情况的预测概率(Predicted risk ofLN metastasis),范围0~1。
以患者A为例说明,如果患者A胸部CT扫描提示肺部恶性肿瘤,通过胸部CT图像提取的影像组学特征分析(即Radiomics score)得到该患者评分为14.5,对应到第一行分数显示为66,同时该患者CT报告提示N1淋巴结肿大,则第三行对应为N1-N2,相应地对应到第一行分数显示为10,则该患者A总得分(Total Points)为66+10=76,对应到最后一行预测概率值为0.85,对于该预测概率值的解释为通过胸部CT判断该患者A发生淋巴结转移的概率为85%。
为了对本发明方法中采用的技术效果加以验证说明,本实施例中将采用相对于影像科医师通过判读图像进行主观诊断淋巴结转移的传统方法和本方法分别对预测隐匿性N2淋巴结转移的敏感度进行计算对比,以科学论证的手段对比试验结果,验证本发明方法所具有的真实效果;传统方法的预测敏感度低,导致预测结果不准确,为验证本发明方法相对于传统方法具有较高的敏感度、可以更直观、更精准的根据每位非小细胞肺癌患者的实际情况提供有无淋巴结转移的个性化信息;为了更好地验证本发明方法与传统技术方法的区别,两种方法共同预测同一影像组学特征进行计算比较;
(1)风险预测模型和列线图的建立
首先对于收集到的自变量在纵隔N2隐匿性淋巴结有无转移(即标签变量)两个分组中(0表示无淋巴结转移,1表示有淋巴结转移)进行Wilcoxon-Mann-Whiteny U检验或Student's t检验,对于分类变量行chi-square检验或Fishers exact检验,然后将单因素逻辑回归分析中具有统计学差异(P<0.05)的变量进入多因素逻辑回归,在多因素逻辑回归中采用逐步向前偏似然估计(Likeliood Ratio)法筛选独立影响因素。
联合多因素逻辑回归中得到的独立影响因素建立风险预测模型并通过R软件构建列线图:Po=1/(1+e-X)。
其中,Po代表周围型NSCLC患者发生N2隐匿性淋巴结转移的概率,数值越接近1,转移可能性越大;e为自然对数。X可通过下列公式计算得出:X=1.457*性别+0.657*肿瘤分化程度-0.158*SUVmax-0.087*MTV-0.935(性别赋值,男=1,女=0)
(2)评价模型区分度
通过多因素逻辑回归所得公式计算NSCLC患者出现纵隔N2隐匿性淋巴结转移的概率Po,经ROC曲线分析显示该模型区分度,如图4所示(包括AUC,95%CI,灵敏度,特异度,阳性预测值,阴性预测值,)比与传统诊断方法比较诊断效能(采用DeLong检验)。
(3)评价模型校准度
对经预测模型计算得到的概率Po进行Hosmer-Lemeshow检验
本实施例还需要说明的是,传统的方法是通过判读图像进行主观诊断淋巴结转移直接计算敏感度,因为只能观察到肉眼可见的信息,所以但得到的敏感度极低,而本发明通过卷积神经网络的深度学习方法,可提取到大量肉眼无法观察的特征信息,然后通过构建的Nomogram模型进行计算判断获得敏感度。预测结果如下表所示:
表1:两种传统方法与Nomogram方法测得的隐匿性N2淋巴结转移的敏感度对比
内镜检查 | video mediastinoscopy(电视纵隔镜)或VAMLA | Nomogram |
38% | 73% | 85% |
由表可知,传统的内镜检查和video mediastinoscopy(电视纵隔镜)或VAMLA的预测方法得到的诊断敏感度都不高,本发明采用的Nomogram模型预测隐匿性N2转移,提高了诊断的敏感度。
优选的是,借助Nomogram的预测概率图,可以更直观、更精准的根据每位非小细胞肺癌患者的实际情况提供有无淋巴结转移的个性化信息,从而指导临床医师选择针对该患者的更合适的治疗方案,避免了传统指南等评估方法针对整体人群的不足,同时也可以让患者避免不必要的医疗检查及手术,并且该方法属于无创性,可以反复动态评估患者淋巴结转移情况,减少患者负担,也是精准医疗的体现。
实施例2
参照图5~图6,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种周围型NSCLC的隐匿性N2淋巴结转移的预测系统,包括:
采集模块100,用于采集PET-CT中cN1期原发灶及同侧肺门淋巴结的影像组学特征和临床病理特征;
建模模块200与采集模块100相连接,其用于调取像组学特征和临床病理特征构建Nomogram模型,一般情况下,绘制Nomogram时要求每个因素的赋分范围在0-100之间;
预测模块300连接于建模模块200,其用于通过Nomogram模型对于临床中的患者进行评分,每一个分值在Nomogram模型上都有对应的风险概率系数,用风险概率系数来评估周围型非小细胞肺癌中的隐匿性N2淋巴结发生转移的概率。
需要说明的是,本发明系统在PC客户端的Python开发平台进行深度学习的测试和在R软件上通过程序编写进行建模,其中建模包括特征筛选、降维以及AIC值的计算。
优选的是,本发明系统的研发成果一方面提升了影像组学分类或预测的准确性和可靠性,减少了人工筛选特征的过程;另一方面通过将视觉影像信息转化为深层次的特征来进行量化研究,定量描述肿瘤的异质性,帮助临床医师快速做出治疗决策。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文步骤的指令或程序时,本文的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种周围型NSCLC的隐匿性N2淋巴结转移的预测方法,其特征在于:包括,
采集PET-CT中临床分期N1期原发灶及同侧肺门淋巴结的影像组学特征和临床病理特征;
利用所述的影像组学特征和临床病理特征建立Nomogram模型;
基于所述Nomogram模型对临床中的患者进行评分,获得对应的风险概率系数;
利用所述风险概率系数预测评估隐匿性N2淋巴结发生转移的概率。
2.如权利要求1所述的周围型NSCLC的隐匿性N2淋巴结转移的预测方法,其特征在于:所述影像组学特征包括,
采集高质量和标准化的PET和CT进行判断和评估;
利用自动、半自动分割方法从获取的图像中勾画ROI;
利用卷积神经网络提取所述ROI中的影像组学特征,其包括强度分布的描述、不同强度水平间的空间关系、纹理图案的形状和异质性以及对原发肿瘤或淋巴结与周围组织关系的描述。
3.如权利要求2所述的周围型NSCLC的隐匿性N2淋巴结转移的预测方法,其特征在于:所述ROI包括,
勾勒所述cN1期原发灶及同侧肺门的淋巴结的边界。
4.如权利要求3所述的周围型NSCLC的隐匿性N2淋巴结转移的预测方法,其特征在于:所述临床病理特征包括,
患者的住院病历上的年龄、身高、体重、吸烟史以及实验室肿瘤免疫指标检查信息。
5.如权利要求4所述的周围型NSCLC的隐匿性N2淋巴结转移的预测方法,其特征在于:所述卷积神经网络包括,
利用VGG16网络模型对原发肿瘤或淋巴结形态进行特征训练,所述VGG16网络模型包括,13层卷积层,5层池化层和3层全连接层;
卷积层:用于对组学图像进行特征提取;
池化层:用于选择和过滤卷积层输出的特征图像;
全连接层:用于进行图像特征的分类,实现对组学特征的初筛。
6.如权利要求5所述的周围型NSCLC的隐匿性N2淋巴结转移的预测方法,其特征在于:所述建立Nomogram模型包括,
筛选所述影像组学特征和所述临床病理特征;
对所述影像组学特征和所述临床病理特征进行降维处理;
计算AIC值,通过判断AIC值大小来选择建立Nomogram的模型参数。
7.如权利要求6所述的周围型NSCLC的隐匿性N2淋巴结转移的预测方法,其特征在于:所述筛选包括,
判断P值是否小于0.05以统计自变量是否具有统计学差异;
利用单因素logistics回归,反映特征(自变量X)与标签(因变量Y)的关系;
对所述关系进行相关性分析(去冗余),评价特征之间有无相关性。
8.如权利要求7所述的周围型NSCLC的隐匿性N2淋巴结转移的预测方法,其特征在于:所述降维处理包括,
采用LASSO回归策略进行降维,在残差平方和最小化的计算中加入一个lp范数作为罚约束;
对λ的给定值进行交叉验证,选取交叉验证误差最小的λ值;
根据得到的值,利用全部数据重新拟合模型。
9.如权利要求8所述的周围型NSCLC的隐匿性N2淋巴结转移的预测方法,其特征在于:所述计算AIC值包括,
在一般的情况下,AIC可以表示为:
AIC=(2k-2L)/n
其中:k是参数的数量,L是对数似然值,n是观测值数目。
10.一种周围型NSCLC的隐匿性N2淋巴结转移的预测系统,其特征在于:包括,
采集模块(100),用于采集PET-CT中cN1期原发灶及同侧肺门淋巴结的影像组学特征和临床病理特征;
建模模块(200)与所述采集模块(100)相连接,其用于调取所述像组学特征和临床病理特征构建Nomogram模型;
预测模块(300)连接于所述建模模块(200),其用于通过所述Nomogram模型对于临床中的患者进行评分,每一个分值在Nomogram模型上都有对应的风险概率系数,用所述风险概率系数来评估周围型非小细胞肺癌中的隐匿性N2淋巴结发生转移的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010765435.0A CN111862085A (zh) | 2020-08-03 | 2020-08-03 | 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010765435.0A CN111862085A (zh) | 2020-08-03 | 2020-08-03 | 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111862085A true CN111862085A (zh) | 2020-10-30 |
Family
ID=72954341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010765435.0A Pending CN111862085A (zh) | 2020-08-03 | 2020-08-03 | 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862085A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329876A (zh) * | 2020-11-16 | 2021-02-05 | 中山大学附属第六医院 | 一种基于影像组学的结直肠癌预后预测方法及设备 |
CN112419290A (zh) * | 2020-11-30 | 2021-02-26 | 青岛大学附属医院 | 一种基于ct图像影像组学特征的进展期胃癌边缘状态识别系统 |
CN112530592A (zh) * | 2020-12-14 | 2021-03-19 | 青岛大学 | 一种基于机器学习的非小细胞肺癌风险预测方法 |
CN112651507A (zh) * | 2020-12-22 | 2021-04-13 | 福建医科大学附属第一医院 | 肝细胞癌的微血管侵犯预测模型构建方法与概率预测方法 |
CN113160965A (zh) * | 2021-01-08 | 2021-07-23 | 福建医科大学附属第一医院 | 小肝癌早期复发概率预测模型的构建方法与预测方法 |
CN113208640A (zh) * | 2021-04-26 | 2021-08-06 | 复旦大学附属肿瘤医院 | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 |
CN113270188A (zh) * | 2021-05-10 | 2021-08-17 | 北京市肿瘤防治研究所 | 食管鳞癌根治术后患者预后预测模型构建方法及装置 |
CN113436150A (zh) * | 2021-06-07 | 2021-09-24 | 华中科技大学同济医学院附属同济医院 | 用于淋巴结转移风险预测的超声影像组学模型的构建方法 |
WO2022110525A1 (zh) * | 2020-11-24 | 2022-06-02 | 江苏大学 | 一种癌变区域综合检测装置及方法 |
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 |
CN116230237A (zh) * | 2023-05-06 | 2023-06-06 | 四川省医学科学院·四川省人民医院 | 一种基于roi病灶特征的肺癌影响评价方法和系统 |
CN116999092A (zh) * | 2023-08-18 | 2023-11-07 | 上海交通大学医学院附属第九人民医院 | 基于超声图像识别技术的困难气道评估方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197236A (zh) * | 2018-10-17 | 2019-09-03 | 中山大学附属第三医院 | 一种基于影像组学对糖皮质激素疗效的预测和验证方法 |
CN111311558A (zh) * | 2020-02-09 | 2020-06-19 | 华中科技大学同济医学院附属协和医院 | 一种用于胰腺癌预测的影像组学模型的构建方法 |
-
2020
- 2020-08-03 CN CN202010765435.0A patent/CN111862085A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197236A (zh) * | 2018-10-17 | 2019-09-03 | 中山大学附属第三医院 | 一种基于影像组学对糖皮质激素疗效的预测和验证方法 |
CN111311558A (zh) * | 2020-02-09 | 2020-06-19 | 华中科技大学同济医学院附属协和医院 | 一种用于胰腺癌预测的影像组学模型的构建方法 |
Non-Patent Citations (2)
Title |
---|
何兰: "基于CT影像组学术前预测非小细胞肺癌淋巴结转移的研究", 《中国优秀硕士学位论文全文数据库》, no. 5, 15 May 2019 (2019-05-15), pages 5 - 59 * |
朱静;徐维国;肖欢;周莹;: "影像组学联合预测模型在预测非小细胞肺癌淋巴结转移中的建立和应用价值", 四川大学学报(医学版), no. 03, 15 May 2019 (2019-05-15) * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329876A (zh) * | 2020-11-16 | 2021-02-05 | 中山大学附属第六医院 | 一种基于影像组学的结直肠癌预后预测方法及设备 |
US11587231B2 (en) | 2020-11-24 | 2023-02-21 | Jiangsu University | Comprehensive detection device and method for cancerous region |
WO2022110525A1 (zh) * | 2020-11-24 | 2022-06-02 | 江苏大学 | 一种癌变区域综合检测装置及方法 |
CN112419290A (zh) * | 2020-11-30 | 2021-02-26 | 青岛大学附属医院 | 一种基于ct图像影像组学特征的进展期胃癌边缘状态识别系统 |
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 |
CN112530592A (zh) * | 2020-12-14 | 2021-03-19 | 青岛大学 | 一种基于机器学习的非小细胞肺癌风险预测方法 |
CN112651507A (zh) * | 2020-12-22 | 2021-04-13 | 福建医科大学附属第一医院 | 肝细胞癌的微血管侵犯预测模型构建方法与概率预测方法 |
CN112651507B (zh) * | 2020-12-22 | 2024-03-29 | 福建医科大学附属第一医院 | 肝细胞癌的微血管侵犯预测模型构建方法与概率预测方法 |
CN113160965A (zh) * | 2021-01-08 | 2021-07-23 | 福建医科大学附属第一医院 | 小肝癌早期复发概率预测模型的构建方法与预测方法 |
CN113160965B (zh) * | 2021-01-08 | 2023-11-17 | 福建医科大学附属第一医院 | 小肝癌早期复发概率预测模型的构建方法与预测方法 |
CN113208640B (zh) * | 2021-04-26 | 2023-05-30 | 复旦大学附属肿瘤医院 | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 |
CN113208640A (zh) * | 2021-04-26 | 2021-08-06 | 复旦大学附属肿瘤医院 | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 |
CN113270188A (zh) * | 2021-05-10 | 2021-08-17 | 北京市肿瘤防治研究所 | 食管鳞癌根治术后患者预后预测模型构建方法及装置 |
CN113436150A (zh) * | 2021-06-07 | 2021-09-24 | 华中科技大学同济医学院附属同济医院 | 用于淋巴结转移风险预测的超声影像组学模型的构建方法 |
CN116230237A (zh) * | 2023-05-06 | 2023-06-06 | 四川省医学科学院·四川省人民医院 | 一种基于roi病灶特征的肺癌影响评价方法和系统 |
CN116230237B (zh) * | 2023-05-06 | 2023-07-21 | 四川省医学科学院·四川省人民医院 | 一种基于roi病灶特征的肺癌影响评价方法和系统 |
CN116999092A (zh) * | 2023-08-18 | 2023-11-07 | 上海交通大学医学院附属第九人民医院 | 基于超声图像识别技术的困难气道评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862085A (zh) | 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 | |
Fuhrman et al. | A review of explainable and interpretable AI with applications in COVID‐19 imaging | |
US20200005901A1 (en) | Cancer classifier models, machine learning systems and methods of use | |
CN112633601B (zh) | 疾病事件发生概率的预测方法、装置、设备及计算机介质 | |
RU2459244C2 (ru) | Направляемая клиницистом компьютерная диагностика на базе примеров | |
CN112768072A (zh) | 基于影像组学定性算法构建癌症临床指标评估系统 | |
CN111768366A (zh) | 超声成像系统、bi-rads分级方法及模型训练方法 | |
WO2023020366A1 (zh) | 一种医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
Wankhade et al. | A novel hybrid deep learning method for early detection of lung cancer using neural networks | |
CN111932541B (zh) | 一种用于预测新冠肺炎预后的ct影像图像处理方法 | |
CN111028940B (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
CN112530592A (zh) | 一种基于机器学习的非小细胞肺癌风险预测方法 | |
CN114037011A (zh) | 一种中医舌色噪声标注样本的自动识别与清洗方法 | |
CN116740435A (zh) | 基于多模态深度学习影像组学的乳腺癌超声图像分类方法 | |
CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
CN113449791B (zh) | 基于深度学习的肺炎图像分类方法及系统 | |
Prinzi et al. | Explainable machine-learning models for COVID-19 prognosis prediction using clinical, laboratory and radiomic features | |
Tian et al. | Radiomics and its clinical application: artificial intelligence and medical big data | |
CN114098779A (zh) | 尘肺病等级智能判别方法 | |
CN114119447A (zh) | 肺结节多属性分类模型的构建方法、系统、介质及装置 | |
CN116416225A (zh) | 胰腺癌诊断方法、系统、介质、电子设备 | |
CN116703880A (zh) | 一种免疫状态预测模型构建方法、预测方法及构建装置 | |
CN114842960A (zh) | 一种基于ct影像和临床数据评估新冠患者病情进展和预后的方法 | |
CN115602327A (zh) | 一种肺结节发生肺癌风险的预测模型的构建方法 | |
CN114494191A (zh) | 医用图像处理方法、设备及计算机存储介质 |
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 |