CN112735606B - 结直肠癌风险预测方法、设备及存储介质 - Google Patents
结直肠癌风险预测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112735606B CN112735606B CN202110089338.9A CN202110089338A CN112735606B CN 112735606 B CN112735606 B CN 112735606B CN 202110089338 A CN202110089338 A CN 202110089338A CN 112735606 B CN112735606 B CN 112735606B
- Authority
- CN
- China
- Prior art keywords
- colorectal cancer
- target object
- risk
- level
- thalassemia
- 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
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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明实施例提供一种结直肠癌风险预测方法、设备及存储介质,属于人工智能领域。该方法包括:获取目标对象的血常规指标数据、年龄和性别;将所述血常规指标数据、年龄和性别输入预先训练完成的模型进行分析,得到所述目标对象患结直肠癌的风险级别;所述模型的训练样本包括结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别。本发明实施例的技术方案中将对结直肠癌预测准确性有较大影响的地中海贫血患者进行筛选,进一步根据人工智能模型对非地中海贫血对象患者进行结直肠癌风险预测,能够提高结直肠癌风险预测准确性。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种结直肠癌风险预测方法、设备及存储介质。
背景技术
结直肠癌是常见的消化道恶性肿瘤,我国结直肠癌的发病率和病死率均保持上升趋势。而经研究表明85%以上的结直肠癌都是由腺瘤引起的,从腺瘤发展到IV期浸润性癌一般要经过10~15年的时间,而内镜下摘除腺瘤可以预防75%的结直肠癌。因此,通过筛查摘除腺瘤可以预防和早期诊断结直肠癌,提高结直肠癌患者生存率。
目前,大便潜血检测(Fecal Occult Blood Test,FOBT)是最普遍的用于结直肠癌早期筛查的方法。FOBT通过检测血红蛋白的氧化还原活性可间接提示粪便中血红蛋白的量,进而根据粪便中血红蛋白的量间接检测由癌症引起的肠道出血进行癌症筛查。然而该方法用于腺瘤筛查的敏感性仅为40%,特异性也较差,即使纳入年龄、家族史等传统风险因子也无法显著提高对结直肠癌风险预测的准确性。此外,由于大众对FOBT结果的预测风险认知模糊,进而导致FOBT阳性患者进一步进行结直肠镜检查的依从性较低。
因此,现有技术中存在对结直肠癌风险预测准确性低的问题。
发明内容
本发明实施例的主要目的在于提供一种结直肠癌风险预测方法、设备及存储介质,旨在提高对结直肠癌风险预测的准确性。
第一方面,本发明实施例提供一种结直肠癌风险预测方法,包括:
获取目标对象的血常规指标数据、年龄和性别;
将所述血常规指标数据、年龄和性别输入预先训练完成的分类模型进行分析,得到所述目标对象患结直肠癌的风险级别;所述分类模型的训练样本包括结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别。
在一可选的实现方式中,所述结直肠癌的风险级别包括3级、2级、1级以及0级;其中,3级表示患结直肠癌的高风险,在该风险级别的患者,对应有炎症反应以及免疫力低下的症状;2级表示患结直肠癌的中高风险,在该风险级别的患者,对应有肠道失血性贫血可能;1级表示患结直肠癌的中低风险,在该风险级别的患者对应有贫血的可能;0级表示患结直肠癌的低风险,在该风险级别的患者,通常为未见异常的患者。
在一可选的实现方式中,将所述血常规指标数据、年龄和性别输入预先训练完成的随机森林分类模型进行分析,得到所述目标对象患结直肠癌的风险级别之后,还包括:
若所述目标对象患结直肠癌的风险级别大于或等于预设的风险级别阈值,则向所述目标对象的目标终端发送3级结直肠癌高风险预警提示信息;
若所述目标对象患结直肠癌的风险级别小于预设的风险级别阈值,则根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象;
若所述目标对象为非地中海贫血对象,则从目标对象血常规指标数据得到所述目标对象的红细胞比积值;
若所述红细胞比积值小于预设的红细胞比积阈值,则确定所述目标对象患肠道失血性贫血,则向所述目标对象的目标终端发送2级结直肠癌中高风险预警提示信息;
若所述目标对象红细胞比积值大于或等于预设的红细胞比积阈值,则将所述目标对象红细胞比积值与健康人群红细胞比积正常范围的下限值进行比较;
若所述目标对象红细胞比积值大于或等于预设的红细胞比积阈值且小于健康人群红细胞比积正常范围的下限值,则向所述目标对象的目标终端发送1级结直肠癌中低风险提示信息;
若所述若所述目标对象红细胞比积值大于健康人群红细胞比积正常范围的下限值,则向所述目标对象的目标终端发送0级结直肠癌低风险提示信息。在一可选的实现方式中,在根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象之后,还包括:
若所述目标对象为地中海贫血对象,则向预设终端发送所述目标对象为地中海贫血对象。
在一可选的实现方式中,根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象,包括:
若所述血常规指标数据中的红细胞平均体积MCV小于预设的MCV阈值,且所述血常规指标数据中的红细胞计数RBC大于预设的RBC阈值,则所述目标对象高度疑似为地中海贫血对象,并判为地中海贫血对象;
若所述血常规指标数据中的红细胞平均体积MCV大于或等于预设的MCV阈值,且所述血常规指标数据中的红细胞计数RBC小于或等于预设的RBC阈值,则所述目标对象高度疑似为非地中海贫血对象,并判为非地中海贫血对象。
第二方面,本发明实施例还提供一种结直肠癌风险预测设备,包括存储器和处理器;
所述存储器用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上第一方面所述的结直肠癌风险预测方法。第三方面,本发明实施例还提供一种存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上第一方面所述的结直肠癌风险预测方法。
本发明实施例提供一种结直肠癌风险预测方法、设备及存储介质,本发明实施例通过获取目标对象的血常规指标数据、年龄和性别;根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象;若所述目标对象为非地中海贫血对象,则将所述血常规指标数据、年龄和性别输入预先训练完成的分类模型进行分析,得到所述目标对象患结直肠癌的风险级别;所述分类模型的训练样本包括做过肠镜的结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别,以及确诊为腺瘤病人的血常规数据、年龄和性别。本发明实施例的技术方案首先将对结直肠癌预测准确性有较大影响的地中海贫血对象筛选掉,进一步根据人工智能分类模型对非地中海贫血对象进行结直肠癌风险预测,能够提高结直肠癌风险预测准确性。
附图说明
为了更清楚地说明本申请实施例技术方案,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,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的结直肠癌风险预测方法的应用场景的示意图;
图2为本发明实施例提供的结直肠癌风险预测方法的一实现流程示意图;
图3为本发明实施例提供的结直肠癌风险预测方法的另一实现流程示意图;
图4为本发明提供的结直肠癌风险预测装置的一个实施例的结构示意图;
图5为本发明提供的结直肠癌风险监测设备一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
在说明本发明实施例提供的结直肠癌风险预测方法、设备及存储介质之前,首先对结直肠癌的预测原理以及现有的预测手段进行示例性地说明。首先,结直肠癌是常见的消化道恶性肿瘤,我国结直肠癌的发病率和病死率均保持上升趋势。2018中国癌症统计报告显示:我国结直肠癌发病率、病死率在全部恶性肿瘤中分别位居第3位、第5位,结直肠癌粗发病率27.08/十万人,新发病例37万,死亡病例19万。结直肠癌发病需要经过腺瘤异型增生癌变的过程。85%以上的结直肠癌都是由腺瘤引起的,从腺瘤发展到IV期浸润性癌一般要经过10~15年的时间。内镜下摘除腺瘤可以预防75%的结直肠癌。I期结直肠癌5年生存率可达90%,IV期则不足8%。然而多数患者在确诊时已属于中晚期。通过筛查可以预防和早期诊断结直肠癌,提高结直肠癌患者生存率。大力推广结直肠癌筛查,降低结直肠癌发病率及死亡率势在必行。主要方法包括根据年龄、家族史、粪便潜血检查(fecal occultblood test,FOBT)等筛选出高风险人群,继而进行结肠镜筛查。
FOBT检测是唯一获得美国食品和药物管理局(FDA)认证的家用便隐血检测技术。由于结直肠病变常伴有便血,FOBT即通过检测血红蛋白的氧化还原活性间接提示粪便中血红蛋白量。然而该方法用于筛查的敏感性仅为40%,特异性也较差,即使纳入年龄、家族史等传统风险因子也无法显著提高结直肠癌风险预测准确性。此外,由于大众对FOBT结果的预测风险认知模糊,进而导致FOBT阳性患者对结直肠镜检查的依从性较低。
目前与本发明最近似的方案为尼尔·卡尔克施泰因等人发明的《一种评价胃肠癌风险的系统》,该方法包括通过对某目标个体采集血液获得的多个血液检测结果组合形成一个特征集,提供根据对多个样本个体各自的多次历史血液检测结果分析生成的至少一种分类器;处理器通过使用至少一种分类器对特征集进行分类后评估目标个体的胃肠癌风险。但是,尼尔·卡尔克施泰因等人的发明直接将血液检测指标输入构建好的分类器进行风险评估。其用于训练分类器的训练数据集由肠癌阳性人群和肠癌阴性人群组成,肠癌阳性的标准由结直肠镜检查确诊,然而肠癌阴性人群的标准仅仅只是数据库中未确诊过癌症的所谓正常人,并未经结直肠镜检验。此外,其发明中的分类器中最重要的血液检测指标为红细胞、血红蛋白浓度、血细胞比积几项贫血检测指标,直接以贫血检测指标作为分类器的主要特征会导致许多其他血液疾病引起的贫血(如地中海贫血)被错误的判为胃肠癌阳性,从而导致分类器的假阳性率偏高。中国沿海地区地中海贫血患者比例较高,相较于尼尔·卡尔克施泰因等人的方法,本发明可排除掉一定比例地中海贫血患者。同时,本发明用于训练分类器的数据集全部由经过结直肠镜检查的结直肠癌阳性和阴性人群组成,其中阴性人群包括息肉患者,阴性数据集纳入息肉患者的理由是息肉患者与结直肠患者同样存在出血可能,但结直肠癌对患者免疫系统的影响更大,所以与尼尔·卡尔克施泰因等人的发明中对分类器贡献最大的指标为红细胞、血红蛋白浓度、血细胞比积几项贫血检测指标不同,本发明的分类器贡献最大的血液指标为淋巴细胞比例等提示机体免疫力状况的指标,其次才是提示可能因失血而变化的红细胞、血红蛋白浓度、血细胞比积等几项贫血指标,因此本发明具备更高的结直肠癌风险评估准确性。此外,本发明将评估结果进行明确的风险程度分级,患者可更清晰认识自身患癌风险,提高患者依从性。
下面结合附图,对本发明的一些实施例提供的结直肠癌风险预测方法的实现原理及过程进行示例性地说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1所示,图1为本发明实施例提供的结直肠癌风险预测方法的应用场景的示意图。本发明实施例提供的结直肠癌风险预测方法可应用于图1所示的场景。由图1可知,该应用场景包括目标对象10、数据存储终端11以及结直肠癌风险预测设备12。示例性地,在本实施例中,结直肠癌风险预测设备12为云端的服务器。结直肠癌风险预测设备12与数据存储终端11之间通信链接,数据存储终端11用于存储目标对象10的基本身份信息和检测结果数据,如本发明中实施例中所需的基本身份信息包括年龄和性别,以及本发明实施例中所需的检测结果数据包括血常规指标数据。示例性地,结直肠癌风险预测设备12从数据存储终端11中获取目标对象10的血常规指标数据、性别和年龄后,将所述血常规指标数据、年龄和性别输入预先训练完成的模型进行分析,得到目标对象10患结直肠癌的风险级别;若所述目标对象为高风险级别,则向预设终端优先发送所述目标对象为患结直肠癌高风险级别对象;若所述目标对象为非高风险级别,则根据目标对象的血常规指标数据判断所述目标对象是否为地中海贫血对象若所述目标对象为地中海贫血对象,则向预设终端发送所述目标对象为地中海贫血对象;若所述目标对象为非地中海贫血对象,则向预设终端发送所述目标对象患结直肠癌的风险级别。
此外,所述分类模型的训练样本包括做过肠镜的结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别。
通过上述分析可知,本发明实施例的技术方案可筛选掉对结直肠癌预测准确性有较大影响的部分地中海贫血对象,进一步根据模型对非地中海贫血对象进行结直肠癌风险预测,能够提高结直肠癌风险预测准确性。
请参照图2,图2为本发明实施例提供的结直肠癌风险预测方法的一实现流程示意图。如图2所示,该结直肠癌风险预测方法包括步骤S201至步骤S203。详述如下:
S201、获取目标对象的血常规指标数据、年龄和性别。
在本实施例中,所述目标对象为待检查结直肠癌的对象。所述血常规指标数据至少包括红细胞计数、、血小板计数、血红蛋白浓度、红细胞比积、红细胞平均体积、淋巴细胞比例6项,视地域与所在机构检测设备不同可增加单核细胞比例、嗜酸性粒细胞比例、白细胞计数、嗜碱性粒细胞比例、中性粒细胞比例、中性粒细胞数、淋巴细胞数、单核细胞数、嗜酸性粒细胞数、嗜碱性粒细胞数、RBC平均血红蛋白、RBC血红蛋白浓度、RBC体积分布宽度、血小板、血小板体积分布宽度、血小板平均体积、血小板比积等17项血常规指标数据。
示例性地,所述结直肠癌风险预测设备从数据存储终端获取目标对象的23项血常规指标数据、年龄和性别。
S202、则将所述目标对象的血常规指标数据、年龄和性别输入预先训练完成的模型进行分析,得到所述目标对象患结直肠癌的风险级别;所述模型的训练样本包括做过肠镜的结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别,以及确诊为腺瘤病人的血常规数据、年龄和性别。
示例性地,所述结直肠癌的风险级别包括3级、2级、1级以及0级。其中,3级表示患结直肠癌的高风险,在该风险级别的患者,对应有炎症反应以及免疫力低下的症状;2级表示患结直肠癌的中高风险,在该风险级别的患者,对应有肠道失血性贫血可能;1级表示患结直肠癌的中低风险,在该风险级别的患者对应有贫血的可能;0级表示患结直肠癌的低风险,在该风险级别的患者,通常为未见异常的患者。
在本申请的实施例中,所述预先训练完成的所述模型结构包括:
若所述目标对象为非地中海贫血对象,则将所述血常规指标数据、年龄和性别输入预先训练完成的随机森林分类模型进行分析,得到所述目标对象患结直肠癌的风险级别之后,还包括:
若所述目标对象患结直肠癌的风险级别大于或等于预设的风险级别阈值,则向所述目标对象的目标终端发送3级结直肠癌高风险预警提示信息;
若所述目标对象患结直肠癌的风险级别小于预设的风险级别阈值,则从目标对象血常规指标数据得到所述目标对象的红细胞比积值;
若所述红细胞比积值小于预设的红细胞比积阈值,则确定所述目标对象患肠道失血性贫血,则向所述目标对象的目标终端发送2级结直肠癌中高风险预警提示信息;
若所述目标对象红细胞比积值大于或等于预设的红细胞比积阈值,则将所述目标对象红细胞比积值与健康人群红细胞比积正常范围的下限值进行比较;
若所述目标对象红细胞比积值大于或等于预设的红细胞比积阈值且小于健康人群红细胞比积正常范围的下限值,则向所述目标对象的目标终端发送1级结直肠癌中低风险提示信息;
若所述若所述目标对象红细胞比积值大于健康人群红细胞比积正常范围的下限值,则向所述目标对象的目标终端发送0级结直肠癌低风险提示信息;
其中,所述随机森林分类器包括多个决策树分类器,每个所述决策树分类器为树形结构分类模型,每个所述树形结构分类模型的每个节点代表着一个特征,根据该特征的划分,进入对应节点的子节点,直至对应节点的叶子节点;每个所述叶子节点都表征着决策树分类器的分类类别;每个决策树分类器均会给出特定的分类结果,综合多个决策树分类器的分类结果得到所述随机森林分类器的分类结果。
此外,在本申请的其他一些实施例中,在将所述血常规指标数据、年龄和性别输入预先训练完成的分类模型进行分析,得到所述目标对象患结直肠癌的风险级别之前,还包括所述随机森林分类器的生成过程以及训练过程。
示例性地,所述随机森林分类器的生成过程包括:
获取预设数量的训练样本,所述训练样本包括结直肠癌阳性数据和结直肠癌阴性数据;其中,所述结直肠癌阳性数据包括经结直肠镜确诊病例的血常规指标数据、年龄和性别,所述结直肠癌阴性数据包括经结直肠镜检查显示阴性病例且非地中海贫血患者的血常规指标数据、年龄和性别;将每个所述结直肠癌阳性数据标记为1,将每个所述结直肠癌阴性数据标记为0;基于所述预设数量的训练样本中的每个样本生成所述随机森林分类器的各个决策树的根节点;各个决策树的根节点根据各自对应的分裂特征进行分裂,生成所述随机森林分类器,各个决策树的根节点各自对应的分裂特征为从各个根节点各自对应的样本中分别选取的特征。
此外,在将每个所述结直肠癌阳性数据和每个所述结直肠癌阴性数据进行标记的过程中,若所述结直肠癌阳性数据出现数据缺失,则使用结直肠癌阳性数据的均值进行填充,若所述结直肠癌阴性数据出现数据缺失,则使用结直肠癌阴性数据的均值进行填充。
在本申请的实施例中,每个训练样本包括23项血常规指标数据、性别和年龄组成的25个属性,在决策树的每个节点需要分裂时,从这25个属性中随机选取出m个特征,满足条件m小于25,例如m为3。然后从这m个属性中采用基尼系数指标来选择1个最优特征作为该节点的分裂特征。在每个决策树的形成过程中每个节点都要进行分裂,一直到不能够再分裂为止。
示例性地,所述随机森林分类器的训练过程,包括:
对所述随机森林分类器的决策树的数量进行优化;对优化后的随机森林分类器进行五折交叉验证挑选表现最佳的模型,使用接受操作特征曲线(ROC)评估随机森林分类器对验证数据集的分类性能确定风险级别阈值;其中基于敏感性大于等于50%、特异性大于等于95%和阳性似然比大于等于10标准得到训练完成的所述随机森林模型。
上述敏感性是指分类为结直肠癌阳性的结直肠癌个体例数(真阳性TP)占结直肠癌总数的比例,即被分类为结直肠癌阴性的结直肠癌个体例数(假阴性FN),敏感性=TP/(FN+TP),特异性是指分类为结直肠癌阴性的非结直肠癌个体例数(真阴性TN)占非结直肠癌总数的比例,即被分类为结直肠癌阳性的非结直肠癌个体例数(假阳性FP),特异性=TN/(TN+FP)阳性似然比是真阳性率与假阳性率之比(TP/FP),临床认为当阳性似然比大于10时诊断某种疾病的可能性显著增加。此外五折交叉验证的过程为现有的机器学习常见的验证手段,在此不再赘述。
所述预设的红细胞比积阈值由ROC分析所有样本的红细胞比积,将小于该阈值以及大于随机森林分类器的风险级别阈值的对象确定为阳性,则红细胞比积阈值基于特异性大于等于80%,阳性似然比大于等于3得到。
S203、根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象。
通常,由于癌症患者会出现贫血现象,但是常见的贫血原因有很多,例如地中海贫血。如果仅根据血液数据来确定癌症患者,不排除其它的贫血原因,则很容易造成误诊。在本申请的实施例中,为了降低贫血对癌症检测准确的影响,将对地中海贫血对象进行筛选。
此外,经研究表明地中海贫血患者的血常规指标中红细胞平均体积MCV通常小于正常人的MCV,且地中海贫血患者红细胞计数RBC大于正常人的RBC。因此,在本申请实施例中,根据目标对象的血常规指标中的MCV和RBC与正常人的血常规指标中的MCV和RBC,可以确定所述目标对象是否为地中海贫血对象。
示例性,根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象可以包括:若所述血常规指标数据中的红细胞平均体积MCV小于预设的MCV阈值,且所述血常规指标数据中的红细胞计数RBC大于预设的RBC阈值,则确定所述目标对象为地中海贫血对象;
若所述血常规指标数据中的红细胞平均体积MCV大于或等于预设的MCV阈值,且所述血常规指标数据中的红细胞计数RBC小于或等于预设的RBC阈值,则确定所述目标对象为非地中海贫血对象。
其中,预设的MCV阈值为正常人的MCV值,预设的RBC阈值为正常人的RBC值。可以理解地,MCV阈值和RBC阈值根据地域的不同可进行调整,例如,常见的MCV阈值为82f1,常见的RBC阈值为5.80×1012/L。
通过上述分析可知,本申请实施例提供的结直肠癌风险预测方法,通过获取目标对象的血常规指标数据、年龄和性别;根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象;若所述目标对象为非地中海贫血对象,则将所述血常规指标数据、年龄和性别输入预先训练完成的模型进行分析,得到所述目标对象患结直肠癌的风险级别;所述模型的训练样本包括做过肠镜的非地中海贫血结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别,以及确诊为腺瘤病人的血常规数据、年龄和性别。本发明实施例的技术方案首先将对结直肠癌预测准确性有较大影响的地中海贫血对象筛选掉,进一步根据人工智能分类模型对非地中海贫血对象进行结直肠癌风险预测,能够提高结直肠癌风险预测准确性。
请参照图3,图3为本发明实施例提供的结直肠癌风险预测方法的另一实现流程示意图。如图3所示,本实施例与图2所示实施例相比,S301至S302与S201至S202的具体实现过程相同,不同之处在于,在S302之后还包括S303、S304,详述如下:
S301,获取目标对象的血常规指标数据、年龄和性别。
S302,将所述目标对象所述血常规指标数据、年龄和性别输入预先训练完成的模型进行分析,得到所述目标对象患结直肠癌的风险级别;所述模型的训练样本包括做过肠镜的结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别。
S303,若所述目标对象为高风险级别,则向预设终端优先发送所述目标对象为患结直肠癌高风险级别对象;
若所述目标对象为非高风险级别,则根据目标对象的血常规指标数据判断所述目标对象是否为地中海贫血对象。
S304,若所述目标对象为地中海贫血对象,则向预设终端发送所述目标对象为地中海贫血对象;
若所述目标对象为非地中海贫血对象,则向预设终端发送所述目标对象患结直肠癌的风险级别
上述实施例提供的结直肠癌风险预测方法,获取目标对象的血常规指标数据、年龄和性别;根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象;若所述目标对象为非地中海贫血对象,则将所述血常规指标数据、年龄和性别输入预先训练完成的模型进行分析,得到所述目标对象患结直肠癌的风险级别;所述模型的训练样本包括做过肠镜的非地中海贫血结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别,以及确诊为腺瘤病人的血常规数据、年龄和性别。本发明实施例的技术方案首先将对结直肠癌预测准确性有较大影响的地中海贫血对象筛选掉,进一步根据人工智能分类模型对非地中海贫血对象进行结直肠癌风险预测,能够提高结直肠癌风险预测准确性。
通过上述分析可知,本申请实施例提供的结直肠癌风险预测方法,通过获取目标对象的血常规指标数据、年龄和性别;将所述目标对象的血常规指标数据、年龄和性别输入预先训练完成的分类模型进行分析,得到所述目标对象患结直肠癌的风险级别;并根据所述血常规指标数据确定所述非高风险目标对象是否为地中海贫血对象。所述分类模型的训练样本包括做过肠镜的结直肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别。本发明实施例的技术方案可将对结直肠癌预测准确性有较大影响的地中海贫血对象筛选掉,进一步根据人工智能分类模型对非地中海贫血对象进行结直肠癌风险预测,能够提高结直肠癌风险预测准确性。
请参阅图4所示,图4为本发明提供的结直肠癌风险预测装置的一个实施例的结构示意图。包括的各模块用于执行结直肠癌风险预测装置对应的功能。具体请参阅上述结直肠癌风险预测方法对应的各实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图4,结直肠癌风险预测装置4包括:
获取模块41,用于获取目标对象的血常规指标数据、年龄和性别;
第一确定模块42,用于将所述目标对象的血常规指标数据、年龄和性别输入预先训练完成的模型进行分析,得到所述目标对象患结直肠癌的风险级别;所述模型的训练样本包括做过肠镜的结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别。
在一可选的实现方式中,所述结直肠癌的风险级别包括3级、2级、1级以及0级;其中,3级表示患结直肠癌的高风险,在该风险级别的患者,对应有炎症反应以及免疫力低下的症状;2级表示患结直肠癌的中高风险,在该风险级别的患者,对应有肠道失血性贫血可能;1级表示患结直肠癌的中低风险,在该风险级别的患者对应有贫血的可能;0级表示患结直肠癌的低风险,在该风险级别的患者,通常为未见异常的患者。
在一可选的实现方式中,还包括:
第一确定模块,用于在若所述目标对象患结直肠癌的风险大于或等于预设的风险级别阈值,则向所述目标对象确定为3级结直肠癌高风险预警提示信息;
第一得到模块,用于在若所述目标对象患结直肠癌的风险级别小于预设的风险级别阈值,则从目标对象血常规指标数据得到所述目标对象的红细胞比积值;
第三确定模块,用于在若所述红细胞比积值小于预设的红细胞比积阈值,则确定所述目标对象为患肠道失血性贫血的2级结直肠癌中高风险级别;
第一比较模块,用于在若所述目标对象红细胞比积值大于或等于预设的红细胞比积阈值,则将所述目标对象红细胞比积值与健康人群红细胞比积正常范围的下限值进行比较;
第四确定模块,用于在若所述目标对象红细胞比积值大于或等于预设的红细胞比积阈值且小于健康人群红细胞比积正常范围的下限值,则确定所述目标对象为1级结直肠癌中低风险级别;
第五确定模块,用于在若所述目标对象红细胞比积值大于健康人群红细胞比积正常范围的下限值,则确定所述目标对象为0级结直肠癌低风险级别。
第一得到模块43,用于根据所述血常规指标数据排除非高风险级别中的地中海贫血对象,并得到所述目标对象的风险级别。
在一可选的实现方式中,包括:
第一发送模块,若所述目标对象为3级高风险级别,则向所述目标对象的目标终端发送3级结直肠癌高风险预警提示信息;
第一确定模块,若所述目标对象为非高风险级别,则根据目标对象的血常规指标数据判断所述目标对象是否为地中海贫血对象;
第二发送模块,若所述目标对象为地中海贫血对象,则向预设终端发送所述目标对象为地中海贫血对象;
第三发送模块,若所述目标对象为非地中海贫血对象且为2级中高风险级别,则向所述目标对象的目标终端发送2级结直肠癌中高风险预警提示信息
第四发送模块,若所述目标对象为非地中海贫血对象且为1级中低风险级别,则向所述目标对象的目标终端发送1级结直肠癌中低风险提示信息;
第五发送模块,若所述目标对象为非地中海贫血对象且为0级低风险级别,则向所述目标对象的目标终端发送0级结直肠癌低风险提示信息。
在一可选的实现方式中,所述第一得到模块43,包括:
第一确定单元,用于在若所述血常规指标数据中的红细胞平均体积MCV小于预设的MCV阈值,且所述血常规指标数据中的红细胞计数RBC大于预设的RBC阈值,则确定所述目标对象为地中海贫血对象;
第四确定单元,用于在若所述血常规指标数据中的红细胞平均体积MCV大于或等于预设的MCV阈值,且所述血常规指标数据中的红细胞计数RBC小于或等于预设的RBC阈值,则确定所述目标对象为非地中海贫血对象。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本申请所示方法实施例中基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例中的描述,此处不再赘述。
本实施例提供的结直肠癌风险监测装置,可以将对结直肠癌预测准确性有较大影响的地中海贫血对象筛选掉,进一步根据人工智能分类模型对非地中海贫血对象进行结直肠癌风险预测,能够提高结直肠癌风险预测准确性。
请参阅图5所示,图5为本发明提供的结直肠癌风险监测设备一个实施例的结构示意图。如图5所示,在本实施例中,结直肠癌风险监测设备6包括处理器501和存储器502,处理器501和存储器502通过总线503连接,该总线比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器501用于提供计算和控制能力,支撑整个结直肠癌风险监测设备的运行。处理器501可以是中央处理单元(Central Processing Unit,CPU),该处理器501还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地,存储器502可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本发明实施例方案相关的部分结构的框图,并不构成对本发明实施例方案所应用于其上的结直肠癌风险监测设备的限定,具体的结直肠癌风险监测设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现本发明实施例提供的结直肠癌风险监测设备功能。
在一实施例中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现如下步骤:
获取目标对象的血常规指标数据、年龄和性别;
将所述目标对象的血常规指标数据、年龄和性别输入预先训练完成的分类模型进行分析,得到所述目标对象患结直肠癌的风险级别;若所述目标对象为高风险级别,则向预设终端优先发送所述目标对象为患结直肠癌高风险级别对象;
若所述目标对象为非高风险级别,则根据目标对象的血常规指标数据判断所述目标对象是否为地中海贫血对象;若所述目标对象为地中海贫血对象,则向预设终端发送所述目标对象为地中海贫血对象;若所述目标对象为非地中海贫血对象,则向预设终端发送所述目标对象患结直肠癌的风险级别。所述分类模型的训练样本包括做过肠镜的结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的结直肠癌风险预测设备的具体工作过程,可以参考前述基于结直肠癌风险预测设备的业务配置方法实施例中的对应对结直肠癌风险预测设备功能的描述过程,在此不再赘述。
本发明实施例还提供一种存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明实施例说明书提供的任一项结直肠癌风险预测方法中关于结直肠癌风险预测设备的功能描述的步骤。
其中,所述存储介质可以是前述实施例所述的结直肠癌风险预测设备的内部存储单元,例如所述结直肠癌风险预测设备的硬盘或内存。所述存储介质也可以是所述结直肠癌风险预测设备的外部存储设备,例如所述结直肠癌风险预测设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本发明的具体实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种结直肠癌风险预测方法,其特征在于,包括:获取目标对象的血常规指标数据、年龄和性别;
将所述目标对象的血常规指标数据、年龄和性别输入预先训练完成的模型进行分析,得到所述目标对象患结直肠癌的风险级别;若所述目标对象患结直肠癌的风险级别大于或等于预设的风险级别阈值,则向所述目标对象的目标终端发送3级结直肠癌高风险预警提示信息;
若所述目标对象患结直肠癌的风险级别小于预设的风险级别阈值,则根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象;
若所述目标对象为非地中海贫血对象,则从目标对象血常规指标数据得到所述目标对象的红细胞比积值;
若所述红细胞比积值小于预设的红细胞比积阈值,则确定所述目标对象患肠道失血性贫血,则向所述目标对象的目标终端发送2级结直肠癌中高风险预警提示信息;
若所述目标对象红细胞比积值大于或等于预设的红细胞比积阈值,则将所述目标对象红细胞比积值与健康人群红细胞比积正常范围的下限值进行比较;
若所述目标对象红细胞比积值大于或等于预设的红细胞比积阈值且小于健康人群红细胞比积正常范围的下限值,则向所述目标对象的目标终端发送1级结直肠癌中低风险提示信息;
若所述目标对象红细胞比积值大于健康人群红细胞比积正常范围的下限值,则向所述目标对象的目标终端发送0级结直肠癌低风险提示信息;
所述模型的训练样本包括结肠息肉病人的血常规数据、年龄和性别,确诊为结直肠癌病人的血常规数据、年龄和性别。
2.根据权利要求1所述的结直肠癌风险预测方法,其特征在于,所述结直肠癌的风险级别包括3级、2级、1级以及0级;其中,3级表示患结直肠癌的高风险,在该风险级别的患者,对应有炎症反应以及免疫力低下的症状;2级表示患结直肠癌的中高风险,在该风险级别的患者,对应有肠道失血性贫血可能;1级表示患结直肠癌的中低风险,在该风险级别的患者对应有贫血的可能;0级表示患结直肠癌的低风险,在该风险级别的患者,为未见异常的患者。
3.根据权利要求1所述的结直肠癌风险预测方法,其特征在于,在根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象之后,还包括:
若所述目标对象为地中海贫血对象,则向预设终端发送所述目标对象为地中海贫血对象。
4.根据权利要求3所述的结直肠癌风险预测方法,其特征在于,根据所述血常规指标数据确定所述目标对象是否为地中海贫血对象,包括:
若所述血常规指标数据中的红细胞平均体积MCV小于预设的MCV阈值,且所述血常规指标数据中的红细胞计数RBC大于预设的RBC阈值,则所述目标对象高度疑似为地中海贫血对象,并判为地中海贫血对象;
若所述血常规指标数据中的红细胞平均体积MCV大于或等于预设的MCV阈值,且所述血常规指标数据中的红细胞计数RBC小于或等于预设的RBC阈值,则所述目标对象高度疑似为非地中海贫血对象,并判为非地中海贫血对象。
5.一种结直肠癌风险预测设备,其特征在于,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如权利要求1-4中任一项所述的结直肠癌风险预测方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1-4中任一项所述的结直肠癌风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110089338.9A CN112735606B (zh) | 2021-01-22 | 2021-01-22 | 结直肠癌风险预测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110089338.9A CN112735606B (zh) | 2021-01-22 | 2021-01-22 | 结直肠癌风险预测方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112735606A CN112735606A (zh) | 2021-04-30 |
CN112735606B true CN112735606B (zh) | 2023-04-25 |
Family
ID=75593804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110089338.9A Active CN112735606B (zh) | 2021-01-22 | 2021-01-22 | 结直肠癌风险预测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112735606B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782191B (zh) * | 2021-09-26 | 2023-01-13 | 萱闱(北京)生物科技有限公司 | 结直肠病变类型预测装置、模型构建方法、介质和设备 |
CN116779179B (zh) * | 2023-08-22 | 2023-11-10 | 聊城市第二人民医院 | 一种基于支持向量机的肾细胞瘤背景信息分析系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104271033A (zh) * | 2012-05-03 | 2015-01-07 | 曼迪奥研究有限公司 | 一种评价胃肠癌风险的方法和系统 |
CN106399570A (zh) * | 2016-11-30 | 2017-02-15 | 杭州诺辉健康科技有限公司 | 用于早期结直肠癌辅助诊断的试剂盒及其使用方法和检测系统 |
WO2017044046A1 (en) * | 2015-09-07 | 2017-03-16 | Global Gene Corporation Pte. Ltd. | Method and system for diagnosing disease and generating treatment recommendations |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020142551A1 (en) * | 2018-12-31 | 2020-07-09 | Tempus Labs | A method and process for predicting and analyzing patient cohort response, progression, and survival |
-
2021
- 2021-01-22 CN CN202110089338.9A patent/CN112735606B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104271033A (zh) * | 2012-05-03 | 2015-01-07 | 曼迪奥研究有限公司 | 一种评价胃肠癌风险的方法和系统 |
WO2017044046A1 (en) * | 2015-09-07 | 2017-03-16 | Global Gene Corporation Pte. Ltd. | Method and system for diagnosing disease and generating treatment recommendations |
CN106399570A (zh) * | 2016-11-30 | 2017-02-15 | 杭州诺辉健康科技有限公司 | 用于早期结直肠癌辅助诊断的试剂盒及其使用方法和检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112735606A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112735606B (zh) | 结直肠癌风险预测方法、设备及存储介质 | |
RU2640568C2 (ru) | Способы и системы для оценки риска рака желудочно-кишечного тракта | |
Cueto-López et al. | A comparative study on feature selection for a risk prediction model for colorectal cancer | |
US20230041229A1 (en) | Systems and methods for designing accurate fluorescence in-situ hybridization probe detection on microscopic blood cell images using machine learning | |
CN113539498A (zh) | 一种基于决策树模型的孤立肺结节恶性风险预测系统 | |
Zhou et al. | Development and evaluation of a leukemia diagnosis system using deep learning in real clinical scenarios | |
US11200666B2 (en) | Method for diagnosing, predicting, determining prognosis, monitoring, or staging disease based on vascularization patterns | |
Radiya-Dixit et al. | Automated classification of benign and malignant proliferative breast lesions | |
JP2021522503A (ja) | マイクロフローサイトメトリーを使用して疾患を診断する方法 | |
Das et al. | Performance analysis of machine learning algorithms and screening formulae for β–thalassemia trait screening of Indian antenatal women | |
Masala et al. | A two-layered classifier based on the radial basis function for the screening of thalassaemia | |
Ibrahim et al. | Fuzzy-Based Fusion Model for β-Thalassemia Carriers Prediction Using Machine Learning Technique | |
Hood et al. | Identifying prostate cancer and its clinical risk in asymptomatic men using machine learning of high dimensional peripheral blood flow cytometric natural killer cell subset phenotyping data | |
KR101990430B1 (ko) | 암의 재발 예후 예측을 위한 바이오마커 발굴 시스템 및 방법 | |
Rajaguru et al. | An approach to classification of oral cancer using Softmax Discriminant Classifier | |
CN114973245B (zh) | 基于机器学习的细胞外囊泡分类方法、装置、设备及介质 | |
Casey et al. | A machine learning approach to prostate cancer risk classification through use of RNA sequencing data | |
CN114639482A (zh) | 基于idpc和lasso的食管鳞癌预后生存风险评估方法 | |
Zhang et al. | A robust and automated algorithm that uses single-channel spike sorting to label multi-channel neuropixels data | |
KR102225231B1 (ko) | 엑소좀 miRNA를 기준으로 암 환자를 판별하는 방법 및 장치 | |
Schwarzerova et al. | An innovative perspective on metabolomics data analysis in biomedical research using concept drift detection | |
US20230026291A1 (en) | Determining risk of cancer recurrence | |
Bartels et al. | Knowledge discovery processing and data mining in karyometry | |
Agaal et al. | Application of Classification and Regression Tree and Spectral Clustering to Breast Cancer Prediction: Optimizing the Precision-Recall Trade-Off | |
Saha et al. | Kidney Disease Prediction using ML techniques |
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 |