CN112216395A - 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 - Google Patents
一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 Download PDFInfo
- Publication number
- CN112216395A CN112216395A CN202010957962.1A CN202010957962A CN112216395A CN 112216395 A CN112216395 A CN 112216395A CN 202010957962 A CN202010957962 A CN 202010957962A CN 112216395 A CN112216395 A CN 112216395A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- lymph node
- clinical
- axillary lymph
- breast cancer
- 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
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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种乳腺癌患者测腋窝淋巴结转移预测模型及其构建方法,本发明利用人工智能机器学习算法,基于乳腺癌患者的磁共振影像数据及临床特征数据基础,建立乳腺癌患者腋窝淋巴结转移的人工智能预测模型;所述预测模型具有精准、简便、无创等优点,能够有效对乳腺癌患者术前腋窝淋巴结转移进行有效评价,有助于辅助乳腺癌临床诊疗决策,减少患者不必要的腋窝淋巴结清扫手术,减少手术并发症的发生,提高患者的生活质量,有更高预测效能和临床收益,对指导临床治疗策略、加强临床治疗干预及后续的个体化随访具有重要的指导意义。
Description
技术领域
本发明属于生物医药领域,涉及一种乳腺癌患者腋窝淋巴结转移预测模型 及其构建方法。
背景技术
乳腺癌是严重危害女性健康的恶性肿瘤,占女性恶性肿瘤发病率第一位, 死亡率第五位,发病率亦呈逐年上升趋势。大约30%-40%的乳腺癌患者在接受 手术及术后辅助治疗后,出现复发转移,最终发展为晚期乳腺癌,并且5年生 存率不足23%。
腋窝淋巴结(ALN)转移是乳腺癌常见的转移位置,乳腺癌患者ALN阳性 约有40%,18.7%的ALN阳性患者会出现10年后复发。因此,乳腺癌患者ALN 状态影响手术方案及系统治疗决策,也作为肿瘤复发转移的独立危险因素。目 前,腋窝淋巴结转移状态诊断方法主要包括乳腺增强磁共振影像(MRI)诊断、 术前淋巴结穿刺术、术中前哨淋巴结活检(SLNB)与腋窝淋巴结清扫术(ALND)。 对术中SLNB腋窝淋巴结阴性的乳腺癌患者可免行ALND,而检出3枚及以上 腋窝淋巴结阳性患者则需进行ALND。但SLNB存在8.4%~14.2%的假阴性率,且具有一定有创性。接受新辅助治疗的乳腺癌患者,淋巴引流途径的改变是否 影响SLNB的识别率,导致假阴性率的增加,仍存在一定的争议。若后续临床 治疗决策仅依据淋巴结穿刺或前哨淋巴结活检病理的结果,可能会造成化疗缺 乏,甚至会增加患者术后复发转移风险。若为降低复发风险,采取过度的腋窝 治疗,则又会增加并发症的发生。因此,若能够研发一项精准、简便、非有创 性的早期乳腺癌患者术前ALN转移预测方法具有重要意义。
发明内容
针对上述问题,本发明的目的是提供一种精准、简便、非有创性的乳腺癌 患者术前ALN转移的预测模型及其构建方法。
为实现上述目的,本发明采取的技术方案为:一种乳腺癌患者腋窝淋巴结 转移预测模型的构建方法,包括以下步骤:
(1)、数据收集:收集和处理患者的磁共振图像数据和临床特征数据;
(2)、建立影像组学预测模型:通过LASSO筛选磁共振图像数据中影响腋 窝淋巴结转移的关键影响特征,并利用Logistic回归建立影像组学腋窝淋巴结转 移的预测模型;
(3)、建立临床病理特征预测模型:通过Logistic单因素分析筛选影响腋窝 淋巴结转移的临床病理特征,并通过Logistic回归建立基于临床特征的腋窝淋巴 结转移预测模型;
(4)、建立综合预测模型:基于步骤(2)、(3)的模型,通过Logistic回归 得到综合预测模型。
近年来,包括磁共振(MR)、计算机断层扫描、超声和正电子发射型计算 机断层显像等技术的广泛应用,为预测乳腺癌的ALN转移和复发转移风险提供 了一种无创且较为精准的方法,其中以MR的应用最为普遍。但由于人工阅片 误差和阅片工作量较大等原因,MR的人工诊断准确性和高效性并不理想。同时, MR的多维度立体影像特征能够更准确预测淋巴结的转移情况和复发风险,这也 是肉眼无法识别获取的。通过人工智能机器学习,可避免人工误差带来的问题, 更准确和高效地预测淋巴结的转移情况和复发风险。
作为本发明的优选实施方式,所述方法还包括将所述综合预测模型生成相 应的可视化的列线图和/或进行验证的步骤。
生成列线图(nomogram)的可视化形式,模型更直观、简单,便于对该模 型进行推广、应用。通过对模型进行验证可有效评估模型的效能。
更优选地,所述进行验证的步骤为通过诊断特异性曲线和/或临床决策分析 曲线对所述综合预测模型进行分析。
通过计算诊断特异性曲线(即受试者工作特征曲线,receiver operatingcharacteristic curve,简称ROC曲线)相应的曲线下面积(AUC),可用于判断 模型的准确性。AUC越接近于1,说明诊断效果越好。
临床决策分析曲线(Decision Curve Analysis,DCA)可进一步分析模型的 临床应用价值,并指导实际应用。
作为本发明的优选实施方式,步骤(1)中所述的磁共振图像数据为患者使 用1.5T或3.0T场强磁体进行乳腺MR成像检查得到数据,所述数据包括T1平 扫增强序列、T2加权序列和扩散加权成像序列表观扩散系数序列。
作为本发明的优选实施方式,步骤(1)中所述的磁共振图像数据的处理方 式为:结合乳腺钼靶报告、乳腺超声检查报告和临床触诊中给出关于病变定位 的信息,在所述图像序列中,依次对包含原发肿瘤和腋窝淋巴结的每个层面进 行靶区边缘的勾画,提取包括形状、强度、纹理和小波的影像学特征。
作为本发明的优选实施方式,所述步骤(1)中的临床特征数据包括:确诊 年龄、肿瘤个数、肿瘤大小、病理类型、病理组织学分级、临床肿瘤分期、临 床淋巴结分期、病理肿瘤分期、病理淋巴结分期、病理TNM分期、ER状态、 PR状态、HER-2状态、分子分型、手术方式、是否转移、转移时间、转移部位、 是否死亡和死亡时间。
作为本发明的优选实施方式,所述步骤(2)为:通过LASSO筛选测腋窝 淋巴结转移相关的关键影像学特征,进一步利用Logistic回归建立测腋窝淋巴结 转移相关的影像组学预测模型。
作为本发明的优选实施方式,步骤(2)中所述的影像组学预测模型包括 T1+C单序列影像预测模型、T2WI单序列影像预测模型和DWI-ADC单序列影 像预测模型。
更优选地,进一步联合多序列个单序列影像预测模型可构建多序列影像预 测模型。
若筛选得到的影像组学预测模型有多组,可建立基于多个单序列影像预测 模型的多序列影像预测模型,多序列影像预测模型的预测效能比单序列影像预 测模型更佳。
本发明还要求保护所述方法构建的乳腺癌患者测腋窝淋巴结转移预测模型。
使用该模型时,影像模型中各特征值为由提取软件自动生成得到,临床特 征根据患者的情况进行赋值。假设患者35岁,临床肿瘤分期为N0期,临床淋 巴结分期为T1期,病理组织学分级为I,HER-2状态为无过表达,则相应的临 床特征预测模型分值为其 余同理进行计算。
作为本发明的优选实施方式,所述预测模型还包括列线图;所述列线图包 括:第一行分数,分值范围为0~100;第二行多序列影像预测模型,分值范围为 0~1,分别对应第一行分值范围0~100均匀分布;第三行临床特征预测模型,分 值范围为0.1~1分别对应第一行分值范围0~60均匀分布;第四行总分,分值范 围为0~180,第五行腋窝淋巴转移概率,分值范围为0.1~0.9,对应第四行总分 分值范围30~107非均匀分布。
所述列线图为根据得到的综合预测模型通过软件处理得到,更简洁、直观。 根据多序列影像预测模型或临床特征预测模型计算得到的值,分别投射到第一 行得到相应的分值,所述第四行总分为根据第二行多序列影像预测模型的分值 投射到第一行分数和第三行临床特征预测模型的分值投射到第一行分数计算得 到的总和,所述第四行总分投射到第五行数值,即为相应的患者腋窝淋巴转移 概率。
本发明利用人工智能机器学习算法,基于乳腺癌患者的MR影像及临床特 征数据基础,建立乳腺癌患者ALN转移的人工智能预测模型;所述预测模型具 有精准、简便、无创等优点,能够有效对乳腺癌患者术前ALN转移进行有效评 价,有助于辅助乳腺癌临床诊疗决策,减少患者不必要的腋窝淋巴结清扫手术, 减少手术并发症的发生,提高患者的生活质量,有更高预测效能和临床收益, 对指导临床治疗策略、加强临床治疗干预及后续的个体化随访具有重要的指导 意义。
附图说明
图1为本发明构建乳腺癌患者腋窝淋巴结转移预测模型的技术路线。
图2为本发明腋窝淋巴综合预测模型效能AUC图。
图3为本发明腋窝淋巴综合预测模型在训练组队列的决策性曲线分析结果。
图4为本发明腋窝淋巴综合预测模型在验证队列和全队列的临床决策性曲 线分析结果。
图5为本发明腋窝淋巴综合预测模型列线图。
具体实施方式
为更好的说明本发明的目的、技术方案和优点,下面将结合附图和具体实 施例对本发明作进一步说明。
本发明一种乳腺癌患者腋窝淋巴结转移预测模型的构建过程如下(技术路 线如图1所示):
1.患者筛选
入组标准:(1)女性患者,年龄大于18岁;(2)早期乳腺癌患者(TNM分期I-III, 根据8版AJCC分期);(3)患者已行病理组织学确诊为单侧原发乳腺癌,无伴远 处器官转移;(4)患者已行手术或者腋窝淋巴结清扫手术,并行病理活检确定腋 窝淋巴结状态;(5)已行术前乳腺及腋窝区域磁共振检查,包括T1平扫增强序列 (T1+C)、T2加权序列(T2WI)、扩散加权成像序列表观扩散系数序列 (DWI-ADC)。
排除标准:(1)患者在外部机构进行活检,且无法获得病理结果;(2)既往曾 患除乳腺癌以外的肿瘤且未完全切除或完全切除该肿瘤少于3年;(3)MR造影 质量不足以获得测量结果;(4)乳腺肿瘤与ALN在MR及术后病理检查中的相关 性不明确。
根据上述标准,我们共对4家临床机构入组1717例早期乳腺癌患者进行入 排筛选,有1214例患者符合入组。对符合入组条件病例进行收集磁共振图像、 临床特征等数据收集。评估病例数据质量,建立人工智能平台电子数据知识库。
2.患者样本数据收集和处理
(1)、磁共振图像的采集与数据处理
i.磁共振图像采集
收集患者1.5T或3.0T场强磁体进行乳腺MR成像结果。本发明数据的磁共 振图像采集如下表1所示。
表1本发明的磁共振图像数据
ii.图像切割
请具有多年经验的放射科医师在每例病例中标注磁共振影像疑似乳腺癌肿 瘤部位,利用3D Slicer 4.10.2软件在T1+C序列、T2WI序列、DWI-ADC序列 中进行ROI勾画。勾画原则:依次对包含原发肿瘤和腋窝淋巴结的每个层面进 行靶区边缘的勾画。为保证肿瘤及淋巴结勾画的准确性,两位医师双盲、独立 勾画靶区。进一步结合乳腺钼靶报告、乳腺超声检查报告和临床触诊中给出关 于病变定位的信息。
iii.影像组学特征的提取
利用3D Slicer 4.10.2软件的N4ITK模版对所有的磁共振图像转化为0-255 的强度,进行归一化处理,从而减少不同机器不同参数导致的磁共振图像的差 异,使预测模型更具普适性。
在对应的肿瘤区域或腋窝淋巴结区域ROI范围内进行特征提取,我们提取 的特征主要包括形状、强度、纹理和小波在内的各种影像学特征。
形状特征主要包括对肿瘤形状特性的描述,比如肿瘤长度、体积、表面积、 边缘是否光滑等;强度特征主要是基于灰度的统计量,包含不限于肿瘤灰度的 均值、方差、偏度、峰度等。
纹理特征的提取主要是基于灰度共生矩阵(gray-level co-occurrencematrix), 灰度游程矩阵(gray-level run-length matrix)和灰度区域大小矩阵(gray-level size zone matrix)。
小波特征的提取基于对图像进行多尺度的小波滤波处理,然后对不同小波 域的图像进行特征提取工作。
肿瘤或腋窝淋巴结的三维特征,具体包括8个形状特征,17个一阶统计特 征,22个灰度共生矩阵(gray-level co-occurrence matrix)特征,14个灰度级游 程矩阵(gray-level run-length matrix)特征,5个邻域灰度差矩阵(neigbouring gray tonedifference matrix)特征,从原始图像中提取13个灰度级区域矩阵(gray-level sizezone matrix)特征。然后应用3D Coiflet小波变换将原始图像分解为具有不 同信号频率尺度的8个新图像。因此,每个序列(T1+C、T2WI、DWI-ADC) MR图像共可提取863个特征。
(2)、临床特征数据采集
临床特征信息采集内容包括:确诊年龄、肿瘤个数、肿瘤大小、病理类型、 病理组织学分级、临床肿瘤分期、临床淋巴结分期、病理肿瘤分期、病理淋巴 结分期、病理TNM分期、ER状态、PR状态、HER-2状态、分子分型、手术方 式、是否转移、转移时间、转移部位、是否死亡、死亡时间。
3.模型构建
将入组的1214例患者(全队列)以7:3的比例随机分为训练组队列(849 例)及验证组队列(365例)。
(1)、基于磁共振影像特征建立测腋窝淋巴结转移的影像预测模型
利用LASSO对训练组队列患者中的来自乳腺原发肿瘤MR序列(T1+C、 T2WI和DWI-ADC)的2589个特征进行筛选(该过程使用R 3.6.5软件包“glmnet” 进行影像特征的选择和验证。),得到最具有预测效能的影像学特征:
首先利用LASSO-Logistic回归分别从训练组队列的T1+C、T2WI和 DWI-ADC序列中分别筛选出了47、21和21个关键影像组学特征。然后基于 LASSO利用Logistic回归建立单序列影像组学预测模型,所述影像组学预测模 型包括:T1+C单序列影像模型、T2WI单序列影像模型和DWI-ADC单序列影 像模型,β0是截距,xk是各特征赋值,e是常数e,βk是各个模型中特征对应的权重系数,具体如下表 所示。
表2影像组学预测模型相关特征及系数
绘制ROC曲线,并计算相应的AUC值,T1+C单序列影像预测模型在训 练组队列、验证组队列、全队列的ALN转移预测效能AUC结果分别为0.80、 0.68、0.76,T2WI单序列影像预测模型的AUC结果分别为0.77、0.72、0.75, DWI-ADC单序列影像预测模型的AUC结果分别为0.80、0.72、0.75。
进一步地,基于LASSO-Logistic建立联合T1+C、T2WI、DWI-ADC的多 序列影像预测模型,β0是截距,xk是各特征赋值,e是常数e,βk是各个模型中特征对应的权重系数, 具体如下表所示。
表3多序列影像预测模型
模型 | 截距(β<sub>0</sub>)或x<sub>k</sub> | β<sub>k</sub> |
多序列影像预测模型 | -3.8489 | |
T1+C单序列影像预测模型 | 4.7965 | |
T2WI单序列影像预测模型 | 0.4580 | |
DWI-ADC单序列影像预测模型 | 2.8023 |
多序列影像预测模型预测效能比各单序列影像预测模型好,AUC结果分别 为0.88、0.85、0.88。因此,我们选择多序列影像预测模型进行下一步综合预测 模型的建立。
(2)、基于临床特征建立测腋窝淋巴结转移的临床预测模型 我们根据收集的临床特征,对不同因变量通过进行单因素分析,认为结果显示 有统计学差异(P<0.05)的特征则为关键的临床病理特征。在分析中发现,年轻 低、组织学分级高、临床TNM分期高、HER2阳性与ALN转移呈显著正相关。 利用逻辑回归模型Logistic回归建立基于临床特征预测腋窝淋巴结转移的预测 模型,β0是截距,xk是 各特征赋值,e是常数e,βk是各个模型中特征对应的权重系数,具体如下表所示。
表4临床病理特征预测模型
在训练组队列、验证组队列和全队列进行合并分析,ALN的预测效能AUC 分别为的0.77,0.71和0.75。
(3)、综合预测模型
为了建立一种方便临床应用的预测ALN的模型,通过R语言软件进行多因 素分析。多因素分析结果显示,临床病理特征预测模型和多序列影像预测模型 是预测早期乳腺癌患者ALN转移的独立预测因子。把临床病理特征预测模型结 合多序列影像预测模型,通过运用基于LASSO-Logistic算法建立的综合预测模 型,β0是截距,xk是各特 征赋值,e是常数e,βk是各个模型中特征对应的权重系数,具体如下表所示。
表5综合预测模型
模型 | 截距(β<sub>0</sub>)或x<sub>k</sub> | β<sub>k</sub> |
综合预测模型 | -4.1190 | |
多序列影像模型 | 4.5678 | |
临床病理特征模型 | 4.1789 |
在训练组、验证组和总队列的预测效能最高(AUC分别为训练组0.92、验 证组0.90、总队列0.91,见图2A)。进一步对不同淋巴结转移个数的亚组分析 发现,综合预测模型在N+(1)(AUC分别为0.87、0.90和0.88)、N+(2)(AUC 分别为0.95、0.85和0.92)和N+(≥3)(AUC分别为0.96、0.90和0.94)亚组 的训练组、验证组和总队列中,均能精准预测ALN转移的状态(见图2B、2C、 2D)。N+(1):腋窝淋巴结转移1个;N+(2):腋窝淋巴结转移2个;N+(3)腋窝淋 巴结转移大于等于3个。
同样地,综合预测模型在Luminal A型(AUC分别为0.91、0.85和0.89)、Luminal B型(AUC分别为0.92、0.90和0.91)、HER-2阳性型(AUC分别为 0.97、0.83和0.94)和三阴型乳腺癌患者(AUC分别为0.92,NA和0.95),亦 均能精准预测ALN转移的状态由此,我们建立了具有更高预测效能的ALN转 移综合预测模型。
进一步在训练组对多序列影像模预测型、临床病理特征预测模型和综合预 测模型进行临床决策性曲线分析。分析发现,如果当病人或医生预测ALN转移 的阈值概率>10%时,那么使用综合预测模型比多序列影像预测模型或临床病理 特征预测模型更有利(见图3)。
进一步在验证组及总队列中进行验证,综合预测模型的临床效益也显示了 比多序列影像预测模型或临床病理特征预测模型有更好的临床预测效能(见图 4)。
对综合预测模型进行可视化处理,结果如图5,所述列线图包括:第一行分 数,分值范围为0~100;第二行多序列影像预测模型,分值范围为0~1,分别对 应第一行分值范围0~100均匀分布;第三行临床特征预测模型,分值范围为0.1~1 分别对应第一行分值范围0~60均匀分布;第四行总分,分值范围为0~180,第 五行淋巴结转移概率,分值范围为0.1~0.9,对应第四行总分分值范围30~107 非均匀分布。根据多序列影像预测模型或临床特征预测模型计算得到的值,分 别投射到第一行得到相应的分值,所述第四行总分为根据第二行多序列影像预 测模型的分值投射到第一行分数和第三行临床特征预测模型的分值投射到第一 行分数计算得到的总和,所述第四行总分投射到第五行数值,即为相应的患者 淋巴结转移概率。
综上所述,我们建立并验证了一个基于多序列影像组学结合临床病理特征 的创新的乳腺癌ALN转移模型(综合预测模型)。其中,ALN综合预测模型与 临床医生的诊断相比,有更高预测效能和临床收益,能够减少患者不必要的腋 窝淋巴结清扫手术,减少手术并发症的发生,提高患者的生活质量。这对指导 临床治疗策略、加强临床治疗干预及后续的个体化随访具有重要的指导意义。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本 发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,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实质和范围。
Claims (10)
1.一种乳腺癌患者腋窝淋巴结转移预测模型的构建方法,其特征在于,包括以下步骤:
(1)、数据收集:收集和处理患者的磁共振图像数据和临床特征数据;
(2)、建立影像组学预测模型:通过LASSO筛选磁共振图像数据中影响腋窝淋巴结转移的关键影响特征,并利用Logistic回归建立影像组学腋窝淋巴结转移的预测模型;
(3)、建立临床病理特征预测模型:通过Logistic单因素分析筛选影响腋窝淋巴结转移的临床病理特征,并通过Logistic回归建立基于临床特征的腋窝淋巴结转移预测模型;
(4)、建立综合预测模型:基于步骤(2)、(3)的模型,通过Logistic回归得到综合预测模型。
2.如权利要求1所述方法,其特征在于,所述方法还包括将所述综合预测模型生成相应的可视化的列线图和/或进行验证的步骤。
3.如权利要求2所述方法,其特征在于,所述进行验证的步骤为通过诊断特异性曲线和/或临床决策分析曲线对所述综合预测模型进行分析。
4.如权利要求1或2所述方法,其特征在于,步骤(1)中所述的磁共振图像数据为患者使用1.5T或3.0T场强磁体进行乳腺磁共振成像检查得到数据,所述数据包括T1平扫增强序列、T2加权序列和扩散加权成像序列表观扩散系数序列。
5.如权利要求4所述方法,其特征在于,步骤(1)所述磁共振图像数据的处理方式为:结合乳腺钼靶报告、乳腺超声检查报告和临床触诊中给出关于病变定位的信息,在所述图像序列中,依次对包含原发肿瘤和腋窝淋巴结的每个层面进行靶区边缘的勾画,提取包括形状、强度、纹理和小波的影像学特征。
6.如权利要求1或2所述方法,其特征在于,所述步骤(1)中的临床特征数据包括:确诊年龄、肿瘤个数、肿瘤大小、病理类型、病理组织学分级、临床肿瘤分期、临床淋巴结分期、病理肿瘤分期、病理淋巴结分期、病理TNM分期、ER状态、PR状态、HER-2状态、分子分型、手术方式、是否转移、转移时间、转移部位、是否死亡和死亡时间。
7.如权利要求1或2所述方法,其特征在于,步骤(2)中的所述影像组学腋窝淋巴结转移的预测模型包括T1+C单序列影像预测模型、T2WI单序列影像预测模型和DWI-ADC单序列影像预测模型。
8.如权利要求1~7任一项所述方法构建的乳腺癌患者测腋窝淋巴结转移预测模型。
10.如权利要求9所述乳腺癌患者测腋窝淋巴结转移预测模型,其特征在于,所述预测模型还包括列线图;所述列线图包括:第一行分数,分值范围为0~100;第二行多序列影像预测模型,分值范围为0~1,分别对应第一行分值范围0~100均匀分布;第三行临床特征预测模型,分值范围为0.1~1分别对应第一行分值范围0~60均匀分布;第四行总分,分值范围为0~180,第五行腋窝淋巴转移概率,分值范围为0.1~0.9,对应第四行总分分值范围30~107非均匀分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010957962.1A CN112216395A (zh) | 2020-09-11 | 2020-09-11 | 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010957962.1A CN112216395A (zh) | 2020-09-11 | 2020-09-11 | 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112216395A true CN112216395A (zh) | 2021-01-12 |
Family
ID=74048907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010957962.1A Pending CN112216395A (zh) | 2020-09-11 | 2020-09-11 | 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112216395A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802605A (zh) * | 2021-01-13 | 2021-05-14 | 四川大学华西医院 | 一种转移性肾癌患者接受系统治疗后生存获益的预测模型及其建立方法和应用 |
CN113393931A (zh) * | 2021-06-16 | 2021-09-14 | 哈尔滨理工大学 | 一种基于系统动力学的乳腺癌诊断与治疗方法 |
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 |
CN113555115A (zh) * | 2021-06-25 | 2021-10-26 | 中山大学孙逸仙纪念医院 | 基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法 |
CN113571193A (zh) * | 2021-06-24 | 2021-10-29 | 浙江大学 | 基于多视图学习影像组学融合的淋巴结转移预测模型的构建方法和装置 |
CN114926465A (zh) * | 2022-07-20 | 2022-08-19 | 南方医科大学南方医院 | 一种存储介质和结直肠癌淋巴结转移预测模型构建系统 |
CN115272253A (zh) * | 2022-08-02 | 2022-11-01 | 中国医学科学院北京协和医院 | 一种前哨淋巴结图像分析的方法、装置及存储介质 |
CN117854731A (zh) * | 2024-03-07 | 2024-04-09 | 简阳市人民医院 | 针对腋臭术后伤口延期愈合影响因素的预测方法和系统 |
CN117954099A (zh) * | 2024-03-26 | 2024-04-30 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种乳腺癌风险预测方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106461663A (zh) * | 2013-11-21 | 2017-02-22 | 环太平洋有限公司 | 使用基因型生物标志物和表型生物标志物来归类无临床症状血尿患者 |
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 |
CN110265095A (zh) * | 2019-05-22 | 2019-09-20 | 首都医科大学附属北京佑安医院 | 用于hcc复发及rfs的预测模型和诺模图的构建方法及应用 |
CN110391015A (zh) * | 2019-06-14 | 2019-10-29 | 广东省人民医院(广东省医学科学院) | 一种基于影像组学量化肿瘤免疫状态的方法 |
-
2020
- 2020-09-11 CN CN202010957962.1A patent/CN112216395A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106461663A (zh) * | 2013-11-21 | 2017-02-22 | 环太平洋有限公司 | 使用基因型生物标志物和表型生物标志物来归类无临床症状血尿患者 |
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 |
CN110265095A (zh) * | 2019-05-22 | 2019-09-20 | 首都医科大学附属北京佑安医院 | 用于hcc复发及rfs的预测模型和诺模图的构建方法及应用 |
CN110391015A (zh) * | 2019-06-14 | 2019-10-29 | 广东省人民医院(广东省医学科学院) | 一种基于影像组学量化肿瘤免疫状态的方法 |
Non-Patent Citations (2)
Title |
---|
CHUNWANG YUAN ETAL: "Prediction early recurrence of hepatocellular carcinoma eligible for curative ablation using a Radiomics nomogram", 《CANCER IMAGING》 * |
龙丞等: "临床腋窝淋巴结阴性乳腺癌前哨淋巴结转移logistic回归模型的建立和验证", 《广东医学》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802605A (zh) * | 2021-01-13 | 2021-05-14 | 四川大学华西医院 | 一种转移性肾癌患者接受系统治疗后生存获益的预测模型及其建立方法和应用 |
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 |
CN113393931A (zh) * | 2021-06-16 | 2021-09-14 | 哈尔滨理工大学 | 一种基于系统动力学的乳腺癌诊断与治疗方法 |
CN113571193A (zh) * | 2021-06-24 | 2021-10-29 | 浙江大学 | 基于多视图学习影像组学融合的淋巴结转移预测模型的构建方法和装置 |
CN113571193B (zh) * | 2021-06-24 | 2023-09-05 | 浙江大学 | 基于多视图学习影像组学融合的淋巴结转移预测模型的构建方法和装置 |
CN113555115A (zh) * | 2021-06-25 | 2021-10-26 | 中山大学孙逸仙纪念医院 | 基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法 |
CN114926465A (zh) * | 2022-07-20 | 2022-08-19 | 南方医科大学南方医院 | 一种存储介质和结直肠癌淋巴结转移预测模型构建系统 |
CN114926465B (zh) * | 2022-07-20 | 2022-09-30 | 南方医科大学南方医院 | 一种存储介质和结直肠癌淋巴结转移预测模型构建系统 |
CN115272253A (zh) * | 2022-08-02 | 2022-11-01 | 中国医学科学院北京协和医院 | 一种前哨淋巴结图像分析的方法、装置及存储介质 |
CN117854731A (zh) * | 2024-03-07 | 2024-04-09 | 简阳市人民医院 | 针对腋臭术后伤口延期愈合影响因素的预测方法和系统 |
CN117854731B (zh) * | 2024-03-07 | 2024-05-17 | 简阳市人民医院 | 针对腋臭术后伤口延期愈合影响因素的预测方法和系统 |
CN117954099A (zh) * | 2024-03-26 | 2024-04-30 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种乳腺癌风险预测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112216395A (zh) | 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 | |
CN112185569B (zh) | 一种乳腺癌患者无病生存期预测模型及其构建方法 | |
CN113208640B (zh) | 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 | |
US8634610B2 (en) | System and method for assessing cancer risk | |
CN105005714A (zh) | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 | |
CN110728239B (zh) | 一种利用深度学习的胃癌增强ct图像自动识别系统 | |
Zhao et al. | MRI‐based radiomics nomogram for the preoperative prediction of deep myometrial invasion of FIGO stage I endometrial carcinoma | |
Cui et al. | CT-based radiomics for the preoperative prediction of the muscle-invasive status of bladder cancer and comparison to radiologists' assessment | |
CN113555115A (zh) | 基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法 | |
Wang et al. | Development and validation of an MRI radiomics-based signature to predict histological grade in patients with invasive breast cancer | |
Lin et al. | Automated prediction of early recurrence in advanced sinonasal squamous cell carcinoma with deep learning and multi-parametric MRI-based radiomics nomogram | |
Zhang et al. | Development and validation of a radiomics model based on lymph-node regression grading after neoadjuvant chemoradiotherapy in locally advanced rectal cancer | |
Cordelli et al. | Radiomics-based non-invasive lymph node metastases prediction in breast cancer | |
CN116740386A (zh) | 图像处理方法、装置、设备和计算机可读存储介质 | |
CN110738649A (zh) | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 | |
CN116229176A (zh) | 结合影像组学特征和临床特征的医学图像分类方法及设备 | |
CN115457069A (zh) | 一种基于图像的特征提取和预后模型建立方法及装置 | |
US11983884B2 (en) | Tumoral mass detection system based on magnetic resonance imaging | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
CN112329876A (zh) | 一种基于影像组学的结直肠癌预后预测方法及设备 | |
Li et al. | Prediction of histopathologic grades of bladder cancer with radiomics based on MRI: Comparison with traditional MRI | |
Wang et al. | Machine learning based on automated breast volume scanner (ABVS) radiomics for differential diagnosis of benign and malignant BI‐RADS 4 lesions | |
Sobecki et al. | Feature extraction optimized for prostate lesion classification | |
Chen et al. | Association of Pathological Features and Multiparametric MRI‐Based Radiomics With TP53‐Mutated Prostate Cancer | |
CN114155215B (zh) | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |