CN113571194B - 肝细胞癌远期预后预测的建模方法及装置 - Google Patents
肝细胞癌远期预后预测的建模方法及装置 Download PDFInfo
- Publication number
- CN113571194B CN113571194B CN202110777887.5A CN202110777887A CN113571194B CN 113571194 B CN113571194 B CN 113571194B CN 202110777887 A CN202110777887 A CN 202110777887A CN 113571194 B CN113571194 B CN 113571194B
- Authority
- CN
- China
- Prior art keywords
- hepatocellular carcinoma
- data
- prognosis
- prediction
- case data
- 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
- G16H50/50—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种肝细胞癌远期预后预测的建模方法和装置,其中,方法包括:获取肝细胞癌病例资料;对所述病例资料进行标准化处理,得到标准化的病例资料;对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。本发明根据肝细胞癌远期预后对术后影像特征进行筛选,将筛选出的特征建立预后模型,从而实现肝细胞癌远期预后的精准预测和提前进行治疗干预,对肝细胞癌远期预后预测提供全流程影像数据的支撑。
Description
技术领域
本发明涉及疾病诊断技术领域,尤其涉及一种肝细胞癌远期预后预测的建模方法及装置。
背景技术
肝细胞癌是一种严重威胁全世界人民生命安全的恶性疾病。手术切除是治疗肝细胞癌最常用的治疗方法,然而尽管对肿瘤进行了完全切除,术后肿瘤复发率仍然很高。目前肿瘤远期预后常采用术前的肿瘤特征进行预测和治疗选择,如临床上最常采用的美国癌症联合委员会分期(AJCC TNM(8th))和巴塞罗那临床肝癌分期系统(BCLC)。然而该类分期系统只运用了术前的指标且对术后治疗方案的制定帮助不大,尤其是不能在随访过程中指导术后治疗方案的调整。
肝细胞癌手术后常采用影像学检查随访以监测肿瘤的复发,这种随访方式忽略了大量的信息,不能提前预测肿瘤的复发和指导治疗方案的预见性调整,同时由于医患沟通中缺乏可量化数据的支持,术后随访过程中治疗管理难度大、沟通困难。
发明内容
本发明提供一种肝细胞癌远期预后预测的建模方法及装置,用以解决现有技术中随访方式忽略了大量的信息的缺陷,实现基于术后余肝影像组学对肝细胞癌远期预后的精准预测和提前进行治疗干预。
第一方面,本发明提供一种肝细胞癌远期预后预测的建模方法,包括:
获取肝细胞癌病例资料;
对所述病例资料进行标准化处理,得到标准化的病例资料;
对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;
对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;
基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。
进一步,根据本发明提供的肝细胞癌远期预后预测的建模方法,其中,在所述建构肝细胞癌远期预后的预测模型之后,还包括:
获取患者的随访影像资料;
对所述随访影像资料进行提取操作,得到所述随访病例资料的影像组学数据;
将所述影像组学数据输入至所述肝细胞癌远期预后的预测模型,得到所述患者的复发风险;
依据所述复发风险确定针对所述患者的指导治疗方案。
进一步,根据本发明提供的肝细胞癌远期预后预测的建模方法,其中,所述肝细胞癌病例资料包括术前临床病历资料、病理组织学检查资料和术后随访资料;
其中,所述术前临床病历资料包括性别、年龄、HBsAg、AFP、Child分级、肿瘤大小、肿瘤数量、肝硬化、卫星灶、分化程度、MVI、胆管癌栓、包膜侵犯、肿瘤坏死;
所述术后随访资料包括患者无复发生存时间、复发状态以及余肝影像组学数据。
进一步,根据本发明提供的肝细胞癌远期预后预测的建模方法,其中,所述得到肝细胞癌影像组学特征是通过基于python平台的程序包Pyradiomics提取;
所述影像学特征包括:一阶特征、形态学特征、纹理特征和小波特征。
进一步,根据本发明提供的肝细胞癌远期预后预测的建模方法,其中,所述影像学特征为2553个,为CT动脉期、门脉期、延迟期3个时相分别提取了14个形态学特征、18个一阶特征、75个纹理特征和744个小波特征。
进一步,根据本发明提供的肝细胞癌远期预后预测的建模方法,其中,所述对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征,具体包括:
采用LASSO-cox回归10折交叉验证筛选余肝增强CT动脉期、门脉期和延迟期3个时相的影像组学特征;
对所述影像组学特征进行基于Cox单因素分析和多因素分析,获得影响无复发生存的影响因素。
第二方面,本发明提供一种肝细胞癌远期预后预测的建模装置,包括:
第一处理模块,用于获取肝细胞癌病例资料;
第二处理模块,用于对所述病例资料进行标准化处理,得到标准化的病例资料;
第三处理模块,用于对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;
第四处理模块,用于对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;
第五处理模块,用于基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。
进一步,根据本发明提供的肝细胞癌远期预后预测的建模装置,其中,还包括:
第六处理模块,用于获取患者的随访影像资料;
第七处理模块,用于对所述随访影像资料进行提取操作,得到所述随访病例资料的影像组学数据;
第八处理模块,用于将所述影像组学数据输入至所述肝细胞癌远期预后的预测模型,得到所述患者的复发风险;
第九处理模块,用于依据所述复发风险确定针对所述患者的指导治疗方案。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述任一项所述肝细胞癌远期预后预测的建模方法的步骤。
第四方面,本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一项所述肝细胞癌远期预后预测的建模方法的步骤。
本发明提供的肝细胞癌远期预后预测的建模方法和装置,通过获取肝细胞癌病例资料;进而,对所述病例资料进行标准化处理,得到标准化的病例资料;通过将患者杂乱而多样的医学信息转化为研究所需要的结构化信息。对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;又由于并非所有的肝细胞癌影像组学特征都与肝细胞癌远期预后预测相关,故而,对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。本发明提供一种基于术后余肝影像组学的肝细胞癌远期预后预测的方法和系统,根据肝细胞癌远期预后对术后影像特征进行筛选,将筛选出的特征建立预后模型,从而实现肝细胞癌远期预后的精准预测和提前进行治疗干预,对肝细胞癌远期预后预测提供全流程影像数据的支撑。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的肝细胞癌远期预后预测的建模方法的流程示意图;
图2是本发明实施例提供的肝细胞癌远期预后预测的建模方法和各模型效能比较的流程示意图;
图3是本发明实施例提供的延迟期LASSO-cox回归特征筛选;
图4是本发明实施例提供的预测肝细胞癌1-3年无复发生存的列线图;
图5是本发明实施例提供的临床-组学模型列线图预测生存率的校准曲线;
图6是本发明实施例提供的无复发生存的td-ROC;
图7是本发明提供的肝细胞癌远期预后预测的建模装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
下面结合图1-图2描述本发明实施例的一种肝细胞癌远期预后预测的建模方法,包括:
步骤100:获取肝细胞癌病例资料;
具体地,从各个医疗卫生信息系统的业务数据库中抽取患者肝细胞癌病例资料。肝细胞癌病例资料包括术前临床病历资料、病理组织学检查资料和术后随访资料;其中,所述术前临床病历资料包括性别、年龄、HBsAg、AFP、Child分级、肿瘤大小、肿瘤数量、肝硬化、卫星灶、分化程度、MVI、胆管癌栓、包膜侵犯、肿瘤坏死;所述术后随访资料包括患者无复发生存时间、复发状态以及余肝影像学数据。
步骤200:对所述病例资料进行标准化处理,得到标准化的病例资料;
具体地,由于医疗卫生信息系统的业务数据库包括但不限于HIS、LIS、PACS、EMR、病理等信息,这些数据并非都具有结构性,因此,将其中的非结构信息转化为结构化的信息。在本发明实施例中包括获取原发性肝细胞癌肝部分切除术后的增强CT影像资料5mm层厚的DICOM文件。
步骤300:对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;
具体地,将DICOM文件导入3D slicer 4.10.2软件中,采用软件推荐的腹部窗宽窗位模块调节窗宽窗位。在分割模块中采用半自动的方法逐层分割肝脏。通过Pyradiomics软件包提取3D影像特征,将所有分割的图像重新采样为1×1×1mm大小体素以标准化体素间距;使用推荐的25HU箱宽度离散体素强度值以减少图像噪声。通过基于python平台的程序包Pyradiomics提取的影像学特征包括:一阶特征、形态学特征、纹理特征和小波特征。从增强CT动脉期、门脉期、延迟期3个时相分别提取了14个形态学特征、18个一阶特征、75个纹理特征和744个小波特征等851个影像组学特征,三个时相合计获得2553个余肝增强CT影像组学特征。进而,将纵向排列的数据转置为横向排列的数据并存储为CSV文件。将CSV文件合并,并和对应病人远期复发的状态和时间相结合。
步骤400:对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;
具体地,采用R软件包“glmet”进行LASSO-cox回归10折交叉验证筛选余肝增强CT动脉期、门脉期和延迟期3个时相的影像组学特征。对于动脉期,λ=0.2364时,所有特征均被剔除。同样λ=0.2588时,门脉期没有特征入选。结合图3,对于延迟期,λ=0.2120时有2个纹理特征入选,形态学特征、一阶特征和小波特征均被剔除。入选的纹理特征为原始-灰度及带矩阵-灰度不均匀归一化(Original-Gray Level Size Zone Matrix-Gray Level NonUniformity Normalized,glszm-GLNUN)和原始-灰度及带矩阵-区域熵(Original-GrayLevel Size Zone Matrix-Zone Entropy,glszm-ZE)。对余肝影像组学特征进行单因素分析发现2个影像组学特征均是患者无复发生存的危险因素,进一步多因素分析发现只有glszm-GLNUN是无复发生存的独立危险因素。术后余肝增强CT影像组学无复发生存的单因素和多因素分析如表1所示:
表1
步骤500:基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。
具体地,将临床资料和影像组学特征进一步进行单因素和多因素分析,获得影响肝细胞癌肝部分切除术后复发的独立危险因素。多因素分析发现卫星灶、(微血管侵犯)MVI和glszm-GLNUN是无复发生存的独立危险因素(P<0.05)。表2表示无复发生存的单因素与多因素分析。
表2
参考图4,结合cox多因素分析中临床病理指标与余肝影像组学指标等3个独立危险因素建立临床-组学预后模型,采用R软件包“rms”绘制列线图并比较不同模型的预后效能,1000次重抽样验证模型并绘制矫正曲线。参考表3,临床-组学模型的C-指数为0.726(0.630-0.821),表明该模型预测效能较好且优于AJCC TNM(8th)分期和BCLC分期。
表3
其中,#表示和临床-组学模型比较。
结合图5所示,对临床-组学模型进行1000次重采样校准。校准曲线显示第1-3年的一致性较好。
结合图6所示,采用R软件包“nomogramFormula”用于计算患者预后分数,采用时间依赖受试者工作曲线(Time-dependent receiver operating characteristic curves,td-ROC)比较余肝影像组学模型、组学联合临床指标的预后模型与AJCC TNM(8th)分期和BCLC分期不同时间点的预后效能,曲线下面积较大的预测效能高。结果发现临床-组学模型在第一年(0.741比0.624、0.717、0.631)、第二年(0.8比0.705、0.674、0.576)、第三年(0.721比0.667、0.629、0.559)的预测效能较组学、TNM(8th)分期和BCLC分期更好。
本发明提供的肝细胞癌远期预后预测的建模方法,通过获取肝细胞癌病例资料;进而,对所述病例资料进行标准化处理,得到标准化的病例资料;通过将患者杂乱而多样的医学信息转化为研究所需要的结构化信息。对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;又由于并非所有的肝细胞癌影像组学特征都与肝细胞癌远期预后预测相关,故而,对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。本发明提供一种基于术后余肝影像组学的肝细胞癌远期预后预测的方法和系统,根据肝细胞癌远期预后对术后影像特征进行筛选,将筛选出的特征建立预后模型,从而实现肝细胞癌远期预后的精准预测和提前进行治疗干预,对肝细胞癌远期预后预测提供全流程影像数据的支撑。
进一步,根据本发明实施例提供的肝细胞癌远期预后预测的建模方法,其中,在所述建构肝细胞癌远期预后的预测模型之后,还包括:
获取患者的随访影像资料;
对所述随访影像资料进行提取操作,得到所述随访病例资料的影像组学数据;
将所述影像组学数据输入至所述肝细胞癌远期预后的预测模型,得到所述患者的复发风险;
依据所述复发风险确定针对所述患者的指导治疗方案。
具体地,在基于术前临床病历资料和术后余肝影像组学建立肝细胞癌预后预测模型之后,通过获取患者的随访影像资料,并基于列线图个性化预测患者术后复发风险。
比如,随访中某病人的glszm-GLNUN为0.2,无卫星灶和有MVI,则这3个指标对应的风险分数分别为5分、0分和2分,该患者总分为7分,对应于1、2、3年无复发风险的概率分别为45%、28%和20%。
继而,临床医生根据上述无复发风险确定治疗方案。并且,临床医生依据该复发风险模型,在随访中获得影像数据后,可以在治疗过程中实时得到患者的复发风险,并据此调整治疗方案。
结合图7,本发明实施例提供一种肝细胞癌远期预后预测的建模装置,包括:
第一处理模块71,用于获取肝细胞癌病例资料;
第二处理模块72,用于对所述病例资料进行标准化处理,得到标准化的病例资料;
第三处理模块73,用于对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;
第四处理模块74,用于对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;
第五处理模块75,用于基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。
由于本发明实施例提供的装置,可以用于执行上述实施例所述的方法,其工作原理和有益效果类似,故此处不再详述,具体内容可参见上述实施例的介绍。
本发明提供的肝细胞癌远期预后预测的建模装置,通过获取肝细胞癌病例资料;进而,对所述病例资料进行标准化处理,得到标准化的病例资料;通过将患者杂乱而多样的医学信息转化为研究所需要的结构化信息。对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;又由于并非所有的肝细胞癌影像组学特征都与肝细胞癌远期预后预测相关,故而,对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。本发明提供一种基于术后余肝影像组学的肝细胞癌远期预后预测的方法和系统,根据肝细胞癌远期预后对术后影像特征进行筛选,将筛选出的特征建立预后模型,从而实现肝细胞癌远期预后的精准预测和提前进行治疗干预,对肝细胞癌远期预后预测提供全流程影像数据的支撑。
进一步,根据本发明提供的肝细胞癌远期预后预测的建模装置,其中,还包括:
第六处理模块,用于获取患者的随访影像资料;
第七处理模块,用于对所述随访影像资料进行提取操作,得到所述随访病例资料的影像组学数据;
第八处理模块,用于将所述影像组学数据输入至所述肝细胞癌远期预后的预测模型,得到所述患者的复发风险;
第九处理模块,用于依据所述复发风险确定针对所述患者的指导治疗方案。
具体地,第六处理模块在基于术前临床病历资料和术后余肝影像组学建立肝细胞癌预后预测模型之后,获取患者的随访影像资料。
第七处理模块对获取的患者的随访影像资料,获得患者影像组学数据。
第八处理模块用于根据获取的随访资料中的影像组学数据和基于列线图个性化预测患者术后复发风险。比如,随访中某病人的glszm-GLNUN为0.2,无卫星灶和有MVI,则这3个指标对应的风险分数分别为5分、0分和2分,该患者总分为7分,对应于1、2、3年无复发风险的概率分别为45%、28%和20%。
第九处理模块用于临床医生根据上述获取的风险概率确定治疗方案。并且,临床医生依据该复发风险模型,在随访中获得影像数据后,可以在治疗过程中实时得到患者的复发风险,并据此调整治疗方案。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行肝细胞癌远期预后预测的建模方法,该方法包括:获取肝细胞癌病例资料;对所述病例资料进行标准化处理,得到标准化的病例资料;对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的肝细胞癌远期预后预测的建模方法,该方法包括:获取肝细胞癌病例资料;对所述病例资料进行标准化处理,得到标准化的病例资料;对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的肝细胞癌远期预后预测的建模方法,该方法包括:获取肝细胞癌病例资料;对所述病例资料进行标准化处理,得到标准化的病例资料;对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征;对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种肝细胞癌远期预后预测的建模方法,其特征在于,包括:
获取肝细胞癌病例资料,其中,所述肝细胞癌病资料包括术后随访资料,所述术后随访资料包括余肝影像学数据;
对所述病例资料进行标准化处理,得到标准化的病例资料;
对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征,其中,所述得到肝细胞癌影像组学特征是通过python平台的程序包Pyradiomics提取;所述影像组 学特征包括:一阶特征、形态学特征、纹理特征和小波特征;
对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;
基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型;
获取患者的随访影像资料;
对所述随访影像资料进行提取操作,得到所述随访病例资料的影像组学数据;
将所述影像组学数据输入至所述肝细胞癌远期预后的预测模型,得到所述患者的复发风险;
依据所述复发风险确定针对所述患者的指导治疗方案。
2.根据权利要求1所述的肝细胞癌远期预后预测的建模方法,其特征在于,所述肝细胞癌病例资料包括术前临床病历资料、病理组织学检查和术后随访资料;
其中,所述术前临床病历资料包括性别、年龄、HBsAg、AFP、Child分级、肿瘤大小、肿瘤数量、肝硬化、卫星灶、分化程度、MVI、胆管癌栓、包膜侵犯、肿瘤坏死;
所述术后随访资料包括患者无复发生存时间、复发状态。
3.根据权利要求1所述的肝细胞癌远期预后预测的建模方法,其特征在于,所述影像组学特征为2553个,为CT动脉期、门脉期、延迟期3个时相分别提取了14个形态学特征、18个一阶特征、75个纹理特征和744个小波特征。
4.根据权利要求1所述的肝细胞癌远期预后预测的建模方法,其特征在于,所述对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征,具体包括:
采用LASSO-cox回归10折交叉验证筛选余肝增强CT动脉期、门脉期和延迟期3个时相的影像组学特征;
对所述影像组学特征进行基于Cox单因素分析和多因素分析,获得影响无复发生存的影响因素。
5.一种肝细胞癌远期预后预测的建模装置,其特征在于,包括:
第一处理模块,用于获取肝细胞癌病例资料,其中,所述肝细胞癌病资料包括术后随访资料,所述术后随访资料包括余肝影像学数据;
第二处理模块,用于对所述病例资料进行标准化处理,得到标准化的病例资料;
第三处理模块,用于对所述标准化的病例资料进行处理,得到肝细胞癌影像组学特征,其中,所述得到肝细胞癌影像组学特征是通过python平台的程序包Pyradiomics提取;所述影像组 学特征包括:一阶特征、形态学特征、纹理特征和小波特征;
第四处理模块,用于对所述影像组学特征进行筛选,得到用于肝细胞癌远期预后预测的模型建构的特征;
第五处理模块,用于基于所述用于肝细胞癌远期预后预测的模型建构的特征建构肝细胞癌远期预后的预测模型;
第六处理模块,用于获取患者的随访影像资料;
第七处理模块,用于对所述随访影像资料进行提取操作,得到所述随访病例资料的影像组学数据;
第八处理模块,用于将所述影像组学数据输入至所述肝细胞癌远期预后的预测模型,得到所述患者的复发风险;
第九处理模块,用于依据所述复发风险确定针对所述患者的指导治疗方案。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述肝细胞癌远期预后预测的建模方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述肝细胞癌远期预后预测的建模方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777887.5A CN113571194B (zh) | 2021-07-09 | 2021-07-09 | 肝细胞癌远期预后预测的建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777887.5A CN113571194B (zh) | 2021-07-09 | 2021-07-09 | 肝细胞癌远期预后预测的建模方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113571194A CN113571194A (zh) | 2021-10-29 |
CN113571194B true CN113571194B (zh) | 2022-05-13 |
Family
ID=78164257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110777887.5A Active CN113571194B (zh) | 2021-07-09 | 2021-07-09 | 肝细胞癌远期预后预测的建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113571194B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882996B (zh) * | 2022-03-17 | 2023-04-07 | 深圳大学 | 基于多任务学习的肝细胞癌ck19及mvi预测方法 |
CN116740386A (zh) * | 2023-05-17 | 2023-09-12 | 首都医科大学宣武医院 | 图像处理方法、装置、设备和计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183662A (zh) * | 2011-03-22 | 2011-09-14 | 浙江大学 | 一种大肠癌预后预测模型的建立方法 |
CN110175978A (zh) * | 2019-04-02 | 2019-08-27 | 南方医科大学南方医院 | 一种肝癌影像组学数据处理方法、系统、装置和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885973B (zh) * | 2017-11-20 | 2023-06-09 | 辽宁省肿瘤医院 | 一种dna修复基因在大肠癌中的临床研究方法 |
CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
CN111128385B (zh) * | 2020-01-17 | 2020-11-10 | 河南科技大学第一附属医院 | 一种用于食管鳞癌的预后预警系统及其应用 |
CN112768060A (zh) * | 2020-07-14 | 2021-05-07 | 福州宜星大数据产业投资有限公司 | 基于随机生存森林的肝癌术后复发预测方法、存储介质 |
CN112562855B (zh) * | 2020-12-18 | 2021-11-02 | 深圳大学 | 一种肝细胞癌术后早期复发风险预测方法、介质及终端设备 |
CN112951406A (zh) * | 2021-01-27 | 2021-06-11 | 安徽理工大学 | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 |
-
2021
- 2021-07-09 CN CN202110777887.5A patent/CN113571194B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183662A (zh) * | 2011-03-22 | 2011-09-14 | 浙江大学 | 一种大肠癌预后预测模型的建立方法 |
CN110175978A (zh) * | 2019-04-02 | 2019-08-27 | 南方医科大学南方医院 | 一种肝癌影像组学数据处理方法、系统、装置和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于动态增强MRI的影像组学列线图预测肝细胞癌切除术后3年复发的价值;崔达华等;《中国临床医学影像杂志》;20191220(第12期);第33-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113571194A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Christe et al. | Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images | |
Ingrisch et al. | Radiomic analysis reveals prognostic information in T1-weighted baseline magnetic resonance imaging in patients with glioblastoma | |
Tunali et al. | Application of radiomics and artificial intelligence for lung cancer precision medicine | |
Tran et al. | Computational radiology in breast cancer screening and diagnosis using artificial intelligence | |
Alongi et al. | Radiomics analysis of 18F-Choline PET/CT in the prediction of disease outcome in high-risk prostate cancer: An explorative study on machine learning feature classification in 94 patients | |
CN113571194B (zh) | 肝细胞癌远期预后预测的建模方法及装置 | |
US10339648B2 (en) | Quantitative predictors of tumor severity | |
WO2019208703A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
Green et al. | Efficient low-dose CT denoising by locally-consistent non-local means (LC-NLM) | |
Wardhana et al. | Toward reliable automatic liver and tumor segmentation using convolutional neural network based on 2.5 D models | |
CN110175978B (zh) | 一种肝癌影像组学数据处理方法、系统、装置和存储介质 | |
Haider et al. | Admission computed tomography radiomic signatures outperform hematoma volume in predicting baseline clinical severity and functional outcome in the ATACH‐2 trial intracerebral hemorrhage population | |
Sato et al. | Cost-effectiveness analysis for breast cancer screening: double reading versus single+ CAD reading | |
US20220240881A1 (en) | Lung cancer prediction | |
Zhang et al. | Preoperative prediction of microvascular invasion in hepatocellular carcinoma via multi-parametric MRI radiomics | |
EP2504781A1 (en) | A method for construction and use of a probabilistic atlas for diagnosis and prediction of a medical outcome | |
WO2017136762A1 (en) | Methods and systems for enhanced measurement of near heart aorta sections | |
Wang et al. | Assessment of liver metastases radiomic feature reproducibility with deep-learning-based semi-automatic segmentation software | |
Gauriau et al. | Head CT deep learning model is highly accurate for early infarct estimation | |
Hong et al. | Deep learning detection and segmentation of brain arteriovenous malformation on magnetic resonance angiography | |
Inoue et al. | Diagnostic Performance in Low-and High-Contrast Tasks of an Image-Based Denoising Algorithm Applied to Radiation Dose–Reduced Multiphase Abdominal CT Examinations | |
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 | |
Chacón et al. | Computational assessment of stomach tumor volume from multi-slice computerized tomography images in presence of type 2 cancer | |
Sankar et al. | RETRACTED ARTICLE: Regression Neural Network segmentation approach with LIDC-IDRI for lung lesion | |
JP2019179445A (ja) | 病理診断文入力支援プログラム、病理診断文入力支援方法および病理診断文入力支援システム |
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 |