CN114190958B - 一种基于影像组学的pd-1疗效预测模型及其构建方法 - Google Patents
一种基于影像组学的pd-1疗效预测模型及其构建方法 Download PDFInfo
- Publication number
- CN114190958B CN114190958B CN202111315582.9A CN202111315582A CN114190958B CN 114190958 B CN114190958 B CN 114190958B CN 202111315582 A CN202111315582 A CN 202111315582A CN 114190958 B CN114190958 B CN 114190958B
- Authority
- CN
- China
- Prior art keywords
- sigma
- log
- image
- liver cancer
- score
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 13
- 238000010276 construction Methods 0.000 title abstract description 6
- 201000007270 liver cancer Diseases 0.000 claims abstract description 28
- 208000014018 liver neoplasm Diseases 0.000 claims abstract description 28
- 238000003384 imaging method Methods 0.000 claims abstract description 17
- 206010073071 hepatocellular carcinoma Diseases 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000007477 logistic regression Methods 0.000 claims abstract description 6
- 230000004083 survival effect Effects 0.000 claims description 18
- 238000004393 prognosis Methods 0.000 claims description 17
- 230000004043 responsiveness Effects 0.000 claims description 16
- 239000003550 marker Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000001225 therapeutic effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003902 lesion Effects 0.000 abstract description 25
- 231100000844 hepatocellular carcinoma Toxicity 0.000 abstract description 12
- 238000000034 method Methods 0.000 abstract description 6
- 230000009257 reactivity Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000009169 immunotherapy Methods 0.000 description 5
- 208000037821 progressive disease Diseases 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009650 gentamicin protection assay Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 238000010824 Kaplan-Meier survival analysis Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000005773 cancer-related death Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 230000022534 cell killing Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005182 global health Effects 0.000 description 1
- 210000002767 hepatic artery Anatomy 0.000 description 1
- 230000008073 immune recognition Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- DGAIEPBNLOQYER-UHFFFAOYSA-N iopromide Chemical compound COCC(=O)NC1=C(I)C(C(=O)NCC(O)CO)=C(I)C(C(=O)N(C)CC(O)CO)=C1I DGAIEPBNLOQYER-UHFFFAOYSA-N 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 230000000869 mutational effect Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 210000003240 portal vein Anatomy 0.000 description 1
- 239000000092 prognostic biomarker Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于影像组学的PD‑1疗效预测模型及其构建方法。所述模型的构建方法包括:收集肝癌患者影像数据,提取放射组学特征,利用LASSO逻辑回归筛选关键特征、通过回归系数加权构建得到相应的基于影像组学的PD‑1疗效预测模型。本发明发现采用了基于病变的方法,在病变水平上评估和预测提取的特征,通过研究发现影像组学评分可能是抗PD‑1治疗的肝细胞癌患者病灶反应性的预测因素,且平均影像组学评分可能具备筛选接受抗PD‑1治疗劣效患者的能力,具有一定的临床价值。
Description
技术领域
本发明属于精准医疗技术领域,具体涉及一种基于影像组学的PD-1疗效预测模型及其构建方法。
背景技术
肝细胞癌(HCC)是全球第四大最常见的癌症相关死亡原因并且是一个重大的全球健康问题。而免疫治疗的出现极大地改变了肝细胞癌的治疗策略。但并不是所有患者可以从免疫治疗中获益。再加上免疫治疗费用昂贵以及有可能导致的严重不良反应,使得在接受免疫治疗前根据治疗效果对患者进行有效地分层十分必要。
目前已有的研究运用放射组学来预测肝细胞癌对免疫治疗的反应。Yuan等人建立了影像组学列线图,以评估肝癌患者的抗PD-1治疗效果。然而,他们直接在患者层面进行评估、特征提取和预测。
而且肿瘤突变负荷(TMB)已被证实为抗PD-1治疗的潜在预测性生物标志物。这可能与高的TMB增加肿瘤新抗原产生从而增强免疫识别和细胞杀伤的可能性有关。然而,缺乏足够的肿瘤标本进行测序、周转时间长、评估成本高以及平台之间的差异等限制了TMB的标准化以及广泛使用。因此,有必要探索一些容易获得的预测因子,以帮助临床医生做出合理的决策。
发明内容
本发明的目的在于提供一种预测肝癌患者PD-1治疗疗效的标志物、肝癌影像组学数据处理方法、处理系统、装置以及存储介质。
本发明所采取的技术方案是:
本发明的第一方面,提供一种预测肝癌患者PD-1治疗疗效的标志物,包括original_glcm_InverseVariance、log-sigma-1-0-mm-3D_gldm_DependenceNonUniformityNormalized、log-sigma-1-0-mm-3D_ngtdm_Busyness、log-sigma-2-0-mm-3D_glszm_SizeZoneNonUniformityNormalized、log-sigma-4-0-mm-3D_glcm_ClusterProminence、log-sigma-5-0-mm-3D_ngtdm_Strength和wavelet-HHL_firstorder_Skewness。
在本发明的一些实施方式中,所述标志物用于PD-1疗效预测的评分公式根据logistic回归模型确定。
在本发明的一些实施方式中:所述评分公式为:分值=original_glcm_InverseVariance×0.070785+log-sigma-1-0-mm-3D_gldm_DependenceNonUniformityNormalized×0.020274+log-sigma-1-0-mm-3D_ngtdm_Busyness×-0.004109+log-sigma-2-0-mm-3D_glszm_SizeZoneNonUniformityNormalized×0.005323+log-sigma-4-0-mm-3D_glcm_ClusterProminence×0.019042+log-sigma-5-0-mm-3D_ngtdm_Strength×0.003045+wavelet-HHL_firstorder_Skewness×0.024414。
本发明的第二方面,提供检测标志物的物质在制备预测肝癌患者PD-1治疗疗效的产品中的应用,所述标志物如本发明第一方面所述。
在本发明的一些实施方式中,所述物质为检测标志物的试剂和/或仪器。
在本发明的一些优选实施方式中,所述检测标志物的物质包括CECT、MRI、PET-CT检测标志物的试剂和/或仪器。
本发明的第三方面,提供一种肝癌影像组学数据处理方法,包括以下步骤:
获取肝癌患者影像图像;
提取影像图像中放射组学特征,筛选放射组学关键特征;
计算所述多个放射组学关键特征的线性组合;所述线性组合的计算结果为用于评价PD-1治疗反应性和预后生存的预测值;
根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为PD-1治疗反应性和预后生存高危组或PD-1治疗反应性和预后生存低危组。
在本发明的一些实施方式中,所述影像图像为CECT图像、MRI图像或PET-CT图像。
在本发明的一些实施方式中,所述筛选放射组学关键特征是通过LASSO逻辑回归执行的。
在本发明的一些实施方式中,所述放射组学关键特征包括本发明第一方面所述的标志物。
在本发明的一些实施方式中,所述计算所述多个放射组学关键特征的线性组合这一步骤,所用的公式为:
分值=original_glcm_InverseVariance×0.070785+log-sigma-1-0-mm-3D_gldm_DependenceNonUniformityNormalized×0.020274+log-sigma-1-0-mm-3D_ngtdm_Busyness×-0.004109+log-sigma-2-0-mm-3D_glszm_SizeZoneNonUniformityNormalized×0.005323+log-sigma-4-0-mm-3D_glcm_ClusterProminence×0.019042+log-sigma-5-0-mm-3D_ngtdm_Strength×0.003045+wavelet-HHL_firstorder_Skewness×0.024414;所述分值为预测值。
在本发明的一些实施方式中,所述根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为PD-1治疗反应性和预后生存高危组或PD-1治疗反应性和预后生存低危组;具体为:
当所述预测值大于等于0.02时,将所述肝癌患者划分为PD-1治疗反应性和预后生存高危组;当评分小于0.02时,将所述肝癌患者划分为PD-1治疗反应性和预后生存低危组。
在本发明的一些实施方式中,通过预后生存分析进一步预测疾病进展,优选为无进展生存期的生存分析。
本发明的第四方面,提供一种肝癌影像组学数据处理系统,包括:
图像模块,用于获取肝癌患者的影像图像;
影像组学数据计算模块,提取影像图像中放射组学特征,筛选放射组学关键特征;
预测值计算模块,用于计算所述多个放射组学关键特征的线性组合;所述线性组合的计算结果用于评价PD-1治疗反应性和预后生存的预测值;
肝癌患者分组模块,用于根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为PD-1治疗反应性和预后生存高危组或PD-1治疗反应性和预后生存低危组。
在本发明的一些优选实施方式中,所述影像图像为CECT图像、MRI图像或PET-CT图像。
本发明的第五方面,提供一种肝癌影组学数据处理装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行本发明第三方面所述的方法。
本发明的第六方面,提供一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行本发明第三方面所述的方法。
本发明的有益效果是:
本发明发现采用了基于病变的方法,在病变水平上评估和预测提取的特征,通过研究发现影像组学评分可能是抗PD-1治疗的肝细胞癌患者病灶反应性的预测因素,且平均影像组学评分可能具备筛选接受抗PD-1治疗劣效患者的能力,具有一定的临床价值。
进一步采用CT影像对患者CT图像进行病灶区域的分隔、特征提取、关键特征筛选并建立了影像组学的评分公式,建立预测模型,对PD-1疗效进行预测,根据患者影像学特征的分值将患者区分为有效组和无效组,从而辅助后续治疗方案的指定,具有良好的临床指导意义。同时,对得到的预后生存模型的性能进行了验证,保证了预后预测模型的准确性。
附图说明
图1为本发明研究的流程图。
图2为使用LASSO逻辑回归选择影像组学特征。使用了10倍交叉验证选择LASSO回归中的参数λ;垂直黑色虚线表示在均方差最小时λ为0.0688395。
图3为筛选后的影像组学特征和权重。
图4为影像组学评分预测病灶反应性的ROC曲线。其中图4a为训练组中ROC曲线;图4b为验证组中的ROC曲线。
图5为患者水平的平均影像组学评分的Kaplan-Meier曲线图。以患者水平的平均影像组学评分0.02为分界值,大于等于0.02为高危组,小于0.02为低危组。图5a为训练组;图5b为验证组。
具体实施方式
以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。
实施例1基于CECT的影像组学评分作为接受抗PD-1治疗的肝细胞癌病灶反应性的预测因素的构建
本研究收集了2018年8月至2020年10月之间在南方医科大学南方医院接受抗PD-1治疗的HCC患者。这项研究得到了南方医科大学南方医院审查委员会的批准,并符合《赫尔辛基宣言》。
纳入标准如下:(a)经过活检或者根据AASLD治疗指南诊断为HCC;(b)接受抗PD-1治疗。
排除具有以下特征的患者:(a)基线检查时对比增强CT(contrast enhanced CT,CECT)不可用;(b)治疗时间<6周;(c)存在成像伪影;(d)除HCC外存在其他恶性肿瘤史;(e)基线检查时没有可测量的靶病变。
可测量的靶病变被定义为任何肿瘤病变(原发性或转移性病变),其整个边界在CECT上可被识别。不能与周围组织准确区分的病变、边界不清的病变以及在基线检查或后续CECT扫描时无法追踪到的病变,均未划定并排除。最后,HCC患者被随机分为两组:训练组(n=53)和验证组(n=23)。流程图可见图1。
于南方医科大学南方医院就诊的所有患者均使用两种多排CT(MDCT)系统其中一种进行CECT检查:the SOMATOM(Siemens Medical Systems)和the Brilliance iCT 256(Philips Healthcare)。扫描特征可见表1。
表1扫描特征
参数 | SOMATOM | Brilliance iCT256 |
管电压(kVp) | 120 | 120 |
管电流(mA) | Auto | Auto |
探测器准直(mm) | 64×0.6 | 128×0.625 |
视野(mm) | 250–500 | 300-400 |
矩阵尺寸 | 512×512 | 512×512 |
轮换时间(s) | 0.5 | 0.5 |
切片间隔(mm) | 0 | 0 |
切片厚度(mm) | 1-5 | 1-5 |
使用泵式注射器(Ulrich CT Plus 150,Ulrich Medical)以2.0–3.0mL/s的流速静脉注射造影剂(1.5mL/Kg,Ultravist 370,拜耳先灵制药),以获得CECT图像。分别在注射后0s、30s、60s和120s获得四期(未增强期、肝动脉期、门静脉期和延迟期)CT图像。
使用RECIST标准,根据基线检查和随访之间病变直径的相对变化,评估每个病灶的反应性。进展性疾病(PD)定义为:根据动脉期CECT,与基线值相比,靶病变直径增加至少20%。
两名放射科医生使用ITK-SNAP(3.6.0版)对动脉期CECT的病灶进行勾画分割。具体操作步骤:①将需要分割的格式为“DICOM”的动态增强CT图像文件导入ITK-SNAP软件(具体为:File→Open Main Image→File Format设置为DICOM Image Series→Browse…输入文件路径→Next→Finish);②设置适合的窗宽和窗位(Tools→Image Contrast→Contrast Adjustment);③选择Polygon Drawing Mode控件(Tools→Active Main Tool→Polygon Drawing Mode)设置为手动分割模式。点击鼠标左键沿着病灶边缘进行手动分割;④选择Paintbrush mode控件(Tools→Active Main Tool→Paintbrush Mode)对分割的边界进行精细调整。左键为对鼠标点击区域进行标记,右键则进行擦除。在界面左侧下缘Segmentation Labels控件对Label参数进行调整;⑤确认分割边界与肿瘤边界完全吻合后,点击右下角accept完成该层面的勾画,如果边界偏差较大,也可点击右下角clear进行清除后重新勾画;⑥逐层完成后续层面的分割,并将分割后产生的二值化标签(Binarization Label)即Mask文件以“NiFTI”的格式进行保存(Segmentation→SaveSegmentation Image→File Format设置文件的格式为“NiFTI”格式→Finish);⑦将原始的格式为“DICOM”的动态增强CT图像文件保存为“NiFTI”格式文件(File→Save Image→Main Image→File Format设置为“NiFTI”格式→Finish)。最终,训练组共163个可测量的靶病变(51个病灶发现PD),验证组共68个可测量的靶病变(24个病灶发现PD)。
在Python(版本3.8,https://www.python.org/)的环境下运行Pyradiomics包(版本3.0.1,http://github.com/Radiomics/pyradiomics#readme)从“NiFTI”格式影像文件和勾画后的Mask文件中提取影像组学特征。详细为,从原始图像以及不同的图像变换中提取影像组学特征,包括Laplacian of Gaussian filters(σ=1.0、2.0、3.0、4.0、5.0)、wavelet decompositions、non-linear transformations(exponential,square,squareroot,and logarithm)、exponential、gradient和LBP3D。
总共从病灶中提取了2038个放射组学特征。为保证研究的再现性,排除了从两位影像科医师处提取的组内相关系数(ICC)小于0.75的特征,剩余1889个特征。对于剩余的特征,在Python(版本3.8,https://www.python.org/)的环境下运行sklearn包(版本0.0,https://pypi.org/project/scikit-learn/)实现LASSO逻辑回归十倍交叉验证选择关键特征,并用于计算影像组学评分(图2)。最后,选择了7个关键特征(图3)。然后通过回归系数加权,计算影像组学评分。具体公式为:
The radiomics signature(影像组学评分)=original_glcm_InverseVariance×0.070785+log-sigma-1-0-mm-3D_gldm_DependenceNonUniformityNormalized×0.020274+log-sigma-1-0-mm-3D_ngtdm_Busyness×-0.004109+log-sigma-2-0-mm-3D_glszm_SizeZoneNonUniformityNormalized×0.005323+log-sigma-4-0-mm-3D_glcm_ClusterProminence×0.019042+log-sigma-5-0-mm-3D_ngtdm_Strength×0.003045+wavelet-HHL_firstorder_Skewness×0.024414。
影像组学评分在训练组中的AUC为0.751(95%CI,0.671–0.831),在验证组中AUC为0.733(95%CI,0.608–0.858)(图4)。在患者层面的分析中,计算每个患者的平均影像组学评分,用于对无进展生存期(PFS)进行Kaplan–Meier生存分析。
以平均影像组学评分0.02为分界值,大于等于0.02为高危组,小于0.02为低危组。训练组和验证组的Kaplan–Meier曲线显示两组在RFS上存在显著差异(p<0.05)(图5)。在训练组中,高危组和低危组的中位PFS分别为1.90个月(95%CI,1.40-)和4.42个月(95%CI,3.90-6.10)。在验证组,高危组和低危组的中位PFS分别为2.53个月(95%CI,1.83-)和5.87个月(95%CI,4.03-14.00)。
综上,影像组学评分可能是抗PD-1治疗的肝细胞癌患者病灶反应性的预测因素,具有一定的临床价值。
上述具体实施方式对本发明作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (6)
1.一种预测肝癌患者PD-1治疗疗效的标志物,其特征在于,包括original_glcm_InverseVariance、
log-sigma-1-0-mm-3D_gldm_DependenceNonUniformityNormalized、log-sigma-1-0-mm-3D_ngtdm_Busyness、
log-sigma-2-0-mm-3D_glszm_SizeZoneNonUniformityNormalized、log-sigma-4-0-mm-3D_glcm_ClusterProminence、
log-sigma-5-0-mm-3D_ngtdm_Strength和
wavelet-HHL_firstorder_Skewness;
所述标志物用于PD-1疗效预测的评分公式根据logistic回归模型确定;
所述评分公式为:分值=
original_glcm_InverseVariance×0.070785+log-sigma-1-0-mm-3D_gldm_DependenceNonUniformityNormalized×0.020274+log-sigma-1-0-mm-3D_ngtdm_Busyness×-0.004109+log-sigma-2-0-mm-3D_glszm_SizeZoneNonUniformityNormalized×0.005323+log-sigma-4-0-mm-3D_glcm_ClusterProminence×0.019042+log-sigma-5-0-mm-3D_ngtdm_Strength×0.003045+wavelet-HHL_firstorder_Skewness×0.024414。
2.一种肝癌影像组学数据处理系统,其特征在于,包括:
图像模块,用于获取肝癌患者的影像图像;
影像组学数据计算模块,提取影像图像中放射组学特征,筛选放射组学关键特征;所述放射组学关键特征包括权利要求1所述的标志物;
预测值计算模块,用于计算所述多个放射组学关键特征的线性组合;所述线性组合的计算结果用于评价PD-1治疗反应性和预后生存的预测值;
肝癌患者分组模块,用于根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为PD-1治疗反应性和预后生存高危组或PD-1治疗反应性和预后生存低危组;
所述影像图像为CECT图像、MRI图像或PET-CT图像。
3.根据权利要求2所述的系统,其特征在于,所述计算所述多个放射组学关键特征的线性组合这一步骤,所用的公式为:
分值=
original_glcm_InverseVariance×0.070785+log-sigma-1-0-mm-3D_gldm_DependenceNonUniformityNormalized×0.020274+log-sigma-1-0-mm-3D_ngtdm_Busyness×-0.004109+log-sigma-2-0-mm-3D_glszm_SizeZoneNonUniformityNormalized×0.005323+log-sigma-4-0-mm-3D_glcm_ClusterProminence×0.019042+log-sigma-5-0-mm-3D_ngtdm_Strength×0.003045+wavelet-HHL_firstorder_Skewness×0.024414;所述分值为预测值。
4.根据权利要求2所述的系统,其特征在于,所述根据所述预测值与预设阈值的大小关系,
将所述肝癌患者分为PD-1治疗有效组或PD-1治疗无效组这一步骤,具体为:
当所述预测值大于等于0.02时,将所述肝癌患者划分为PD-1治疗反应性和预后生存高危组;当评分小于0.02时,将所述肝癌患者划分为PD-1治疗反应性和预后生存低危组。
5.一种肝癌影组学数据处理装置,其特征在于,包括存储器和处理器,所述处理器用于加载如权利要求2~4任一项所述的肝癌影像组学数据处理系统。
6.一种存储介质,其中设置有处理器,其特征在于,所述处理器用于加载如权利要求2~4任一项所述的肝癌影像组学数据处理系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111315582.9A CN114190958B (zh) | 2021-11-08 | 2021-11-08 | 一种基于影像组学的pd-1疗效预测模型及其构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111315582.9A CN114190958B (zh) | 2021-11-08 | 2021-11-08 | 一种基于影像组学的pd-1疗效预测模型及其构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114190958A CN114190958A (zh) | 2022-03-18 |
CN114190958B true CN114190958B (zh) | 2022-11-22 |
Family
ID=80647299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111315582.9A Active CN114190958B (zh) | 2021-11-08 | 2021-11-08 | 一种基于影像组学的pd-1疗效预测模型及其构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114190958B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019012147A1 (en) * | 2017-07-13 | 2019-01-17 | Institut Gustave-Roussy | RADIOMY-BASED IMAGING TOOL FOR MONITORING INFILTRATION AND TUMOR LYMPHOCYTE AND RESULTS IN CANCER PATIENTS TREATED WITH ANTI-PD-1 / PD-L1 AGENTS |
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 |
CN111210449A (zh) * | 2019-12-23 | 2020-05-29 | 深圳市华嘉生物智能科技有限公司 | 一种前列腺癌病理图像中腺体空腔的自动化分割方法 |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
CN112210605A (zh) * | 2020-10-29 | 2021-01-12 | 中山大学附属第六医院 | 用于评估组织免疫反应和诊断预后的dna甲基化检测试剂盒 |
-
2021
- 2021-11-08 CN CN202111315582.9A patent/CN114190958B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019012147A1 (en) * | 2017-07-13 | 2019-01-17 | Institut Gustave-Roussy | RADIOMY-BASED IMAGING TOOL FOR MONITORING INFILTRATION AND TUMOR LYMPHOCYTE AND RESULTS IN CANCER PATIENTS TREATED WITH ANTI-PD-1 / PD-L1 AGENTS |
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 |
CN111210449A (zh) * | 2019-12-23 | 2020-05-29 | 深圳市华嘉生物智能科技有限公司 | 一种前列腺癌病理图像中腺体空腔的自动化分割方法 |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
CN112210605A (zh) * | 2020-10-29 | 2021-01-12 | 中山大学附属第六医院 | 用于评估组织免疫反应和诊断预后的dna甲基化检测试剂盒 |
Also Published As
Publication number | Publication date |
---|---|
CN114190958A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Radiomics as a quantitative imaging biomarker: practical considerations and the current standpoint in neuro-oncologic studies | |
Reuzé et al. | Radiomics in nuclear medicine applied to radiation therapy: methods, pitfalls, and challenges | |
Ganeshan et al. | Texture analysis of non-small cell lung cancer on unenhanced computed tomography: initial evidence for a relationship with tumour glucose metabolism and stage | |
Chen et al. | PET/CT imaging correlates with treatment outcome in patients with multidrug-resistant tuberculosis | |
Zhao et al. | Development and validation of a radiomics nomogram for identifying invasiveness of pulmonary adenocarcinomas appearing as subcentimeter ground-glass opacity nodules | |
Karami et al. | Quantitative MRI biomarkers of stereotactic radiotherapy outcome in brain metastasis | |
Cheng et al. | Prediction of histopathologic growth patterns of colorectal liver metastases with a noninvasive imaging method | |
Li et al. | Preoperative prediction of perineural invasion and KRAS mutation in colon cancer using machine learning | |
Chen et al. | Prediction of HER2 expression in breast cancer by combining PET/CT radiomic analysis and machine learning | |
Liu et al. | Radiomics analysis of pretreatment MRI in predicting tumor response and outcome in hepatocellular carcinoma with transarterial chemoembolization: a two-center collaborative study | |
Zhou et al. | Radiomics from primary tumor on dual-energy CT derived iodine maps can predict cervical lymph node metastasis in papillary thyroid cancer | |
Meng et al. | Preoperative microvascular invasion prediction to assist in surgical plan for single hepatocellular carcinoma: better together with radiomics | |
CN113469934A (zh) | 根据胸部ct图像对与疾病相关联的异常区域的评估 | |
Sung et al. | Radiomics and deep learning in liver diseases | |
Wagner et al. | Computer-aided detection of pulmonary nodules in computed tomography using ClearReadCT | |
US20230038185A1 (en) | Radiomics-based treatment decision support for lung cancer | |
Rezaie et al. | Detection of lung nodules on medical images by the use of fractal segmentation | |
CN117253625A (zh) | 肺癌筛查模型的构建装置、肺癌筛查装置、设备及介质 | |
Lysdahlgaard | Comparing Radiomics features of tumour and healthy liver tissue in a limited CT dataset: A machine learning study | |
CN114190958B (zh) | 一种基于影像组学的pd-1疗效预测模型及其构建方法 | |
Park et al. | CT quantification of the heterogeneity of fibrosis boundaries in idiopathic pulmonary fibrosis | |
Jiang et al. | Preoperative and Prognostic Prediction of Microvascular Invasion in Hepatocellular Carcinoma: A Review Based on Artificial Intelligence | |
Liu et al. | Repeatability of radiomics studies in colorectal cancer: a systematic review | |
Tonneau et al. | Generalization optimizing machine learning to improve CT scan radiomics and assess immune checkpoint inhibitors’ response in non-small cell lung cancer: A multicenter cohort study | |
JP2023541646A (ja) | バイオマーカー推定方法 |
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 |