CN114549463A - 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质 - Google Patents

一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质 Download PDF

Info

Publication number
CN114549463A
CN114549463A CN202210163028.1A CN202210163028A CN114549463A CN 114549463 A CN114549463 A CN 114549463A CN 202210163028 A CN202210163028 A CN 202210163028A CN 114549463 A CN114549463 A CN 114549463A
Authority
CN
China
Prior art keywords
roi
image
model
breast cancer
curative effect
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
Application number
CN202210163028.1A
Other languages
English (en)
Inventor
扈煜
彭志国
王冬冬
何淼
于德新
王秀问
张冉
孟迎旭
黎莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu Hospital of Shandong University
Original Assignee
Qilu Hospital of Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qilu Hospital of Shandong University filed Critical Qilu Hospital of Shandong University
Priority to CN202210163028.1A priority Critical patent/CN114549463A/zh
Publication of CN114549463A publication Critical patent/CN114549463A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Toxicology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种乳腺癌肝转移抗HER‑2治疗的疗效预测方法、系统、设备及介质，属于医学技术领域。所述方法包括：获取受试者即抗HER‑2治疗的乳腺癌肝转移患者的待识别腹部加强CT图像；输入待识别腹部加强CT图像至疗效预测模型，所述疗效预测模型对待识别腹部加强CT图像进行定量分析操作，获得受试者的乳腺癌肝转移抗HER‑2治疗的疗效预测结果。本发明首次研究了基于腹部增强CT的影像组学特征在预测BCLM抗HER‑2治疗疗效中的价值，从而为HER‑2阳性的BCLM患者的抗HER‑2治疗疗效预测和总体治疗方案提供参考信息和相关临床指导意见。

Description

一种乳腺癌肝转移抗HER-2治疗的疗效预测方法、系统、设备 及介质
技术领域
本发明属于医学技术领域，具体涉及一种乳腺癌肝转移抗HER-2治疗的疗效预测方法、系统、设备及介质。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
乳腺癌是目前全球女性最常见的恶性肿瘤，其多种治疗方法一直备受人们关注，有研究显示，大约三分之一的乳腺癌患者会出现远处非淋巴结转移，一旦发生远处转移，5年生存率下降至23％。乳腺癌常见转移部位有骨、肺、肝、脑，其中约50％的转移性乳腺癌(metastatic breast cancer，MBC)患者发生肝转移，其自然生存期仅4～8个月，是晚期乳腺癌(advanced breast cancer，ABC)主要的致死原因之一。因此，乳腺癌肝转移(breastcancer liver metastasis，BCLM)一直以来都是MBC研究的热点和难点之一。改善BCLM的治疗效果、优化治疗方案、改善患者预后是目前临床面临的一大难题。BCLM在化疗、靶向和内分泌治疗等方面已经取得了一定进展，但目前的治疗方案仍获益有限，患者的预后相对较差，BCLM的平均总生存期仅3年。另外，乳腺癌是一种分子水平上具有高度异质性的恶性肿瘤，不同分子亚型的乳腺癌患者对临床治疗手段的反应和预后差异显著。HER-2阳性乳腺癌是乳腺癌的一种亚型，与肿瘤的高侵袭性、高复发风险、进展快速、及预后不良相关,是乳腺癌独立的不良预后因素。随着乳腺癌治疗的发展，抗HER-2靶向药物的应用极大延长了HER-2阳性乳腺癌患者的生存时间。作为第一个靶向HER-2的人源化单克隆抗体，曲妥珠单抗(Trastuzumab)药物的问世改变了HER-2阳性乳腺癌患者的预后，影响了乳腺癌的诊治模式，是乳腺癌药物治疗的重要突破。其他抗HER-2药物例如吡咯替尼(Pyrotinib)、拉帕替尼(Lapatinib)等也都在临床试验中被证实可显著延长晚期HER-2阳性乳腺癌患者的生存期。然而，由于肿瘤间和肿瘤内异质性的存在，有效的治疗方法在不同的癌症患者之间疗效可能有很大的不同。有些患者使用抗HER-2药物例如曲妥珠单抗、吡咯替尼、拉帕替尼等能够获得大于中位无进展生存期(mPFS)和中位总生存期(mOS)的疗效，但还存在一些相同分子分型的患者同样使用这类药物的疗效较差，无法达到mPFS或mOS，是什么影响了这两组患者疗效的差异引起了我们的好奇。
近年来，人工智能特别是影像组学迅速发展，为医学研究提供了新的思路、新的工具。放射组学作为一种从影像(CT、MRI、PET等)中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立的新兴技术，可以间接反映肉眼无法识别的肿瘤异质性，发现定量数据和病理表型之间的相关性，对整个肿瘤进行非侵入性评估。另外，还有一些研究证实放射组学特征可作为疾病预后的指标。但能否通过影像组学从乳腺癌肝转移瘤中发现一些不能从视觉基础上获得的潜在特征来预测患者抗HER-2治疗疗效的优劣，尚未有文献报道。
发明内容
本发明提供一种乳腺癌肝转移抗HER-2治疗的疗效预测方法、系统、设备及介质。本发明首次研究了基于腹部增强CT的影像组学特征在预测BCLM抗HER-2治疗疗效中的价值，为HER-2阳性的BCLM患者的抗HER-2治疗疗效预测和总体治疗方案提供参考信息和相关临床指导意见。
为了实现上述目的，本发明采用下述技术方案：
本发明的第一个方面，提供一种乳腺癌肝转移抗HER-2治疗的疗效预测方法，所述方法包括：
获取受试者即抗HER-2治疗的乳腺癌肝转移患者的待识别腹部加强CT图像；
输入待识别腹部加强CT图像至疗效预测模型，所述疗效预测模型对待识别腹部加强CT图像进行定量分析操作，获得受试者的乳腺癌肝转移抗HER-2治疗的疗效预测结果；
其中，所述疗效预测模型是通过将预先采集的抗HER-2治疗的乳腺癌肝转移患者的影像组学相关特征数据采用机器学习算法进行模型训练获得。
进一步的，疗效预测模型构建具体方法包括：
S1、对患者腹部加强CT图像病变区域进行评估勾画，获得感兴趣区(ROI)；
S2、提取ROI中影像组学特征并构建影像组学模型；对影像组学模型进行数据训练和测试，将训练好的模型作为疗效预测模型。
本发明的第二个方面，提供一种乳腺癌肝转移抗HER-2治疗的疗效预测系统，所述疗效预测系统可以包括：
数据获取模块，用于获取受试者即抗HER-2治疗的乳腺癌肝转移患者的待识别腹部加强CT图像；
数据处理和输出模块：用于输入待识别腹部加强CT图像至疗效预测模型，所述疗效预测模型对待识别腹部加强CT图像进行定量分析操作，输出受试者的乳腺癌肝转移抗HER-2治疗的疗效预测结果。
其中，数据处理和输出模块中，所述疗效预测模型是通过将预先采集的抗HER-2治疗的乳腺癌肝转移患者的影像组学相关特征数据采用机器学习算法进行模型训练获得。
本发明的第三个方面，提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述乳腺癌肝转移抗HER-2治疗的疗效预测方法所进行的步骤。
本发明的第四个方面，提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述乳腺癌肝转移抗HER-2治疗的疗效预测方法所进行的步骤。
上述一个或多个技术方案的有益技术效果：
上述技术方案首次基于腹部增强CT的影像组学特征在预测BCLM抗HER-2治疗疗效中的价值，经试验证明，基于纹理特征建立的影像组学模型是较准确和客观的，影像组学可成为判断乳腺癌肝转移患者抗HER-2治疗疗效优劣的客观精准且简单易行的无创工具，其中强化CT门静脉期的RF算法模型的分类效能最佳，从而为HER-2阳性的BCLM患者的抗HER-2治疗疗效预测和总体治疗方案提供参考信息和相关临床指导意见，因此具有良好的实际应用之价值。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1中ROI勾画示意图，(a)为动脉期ROI，(b)为门静脉期ROI，(c)为延迟期ROI。
图2为本发明实施例1中特征选择的方差阈值横向条形统计图。深灰色条表示提取的所有影像组学特征数，浅灰色条表示经方差阈值法筛选后的影像组学特征数，纵坐标为15类过滤方法(方差阈值＝0.8)。
图3为本发明实施例1中最佳K特征选择的横向条形统计图。横坐标为特征的p值，纵坐标为通过SelectKBest方法筛选出p值＜0.05的特征。
图4为本发明实施例1中Lasso法特征筛选示意图；其中，(a)Lasso路径，横坐标为α的log值，纵坐标表示特征的系数；(b)MSE路径，横坐标表示α的log值，纵坐标表示均方误差；(c)Lasso模型回归系数，横坐标表示回归系数，纵坐标表示的是筛选出来的特征。
图5为本发明实施例1中门静脉期RF模型的测试集ROC曲线。浅灰色曲线为预后差组，深灰色曲线为预后好组。预后差组AUC值为0.889(敏感度和特异度分别为0.70和0.78)，预后好组AUC值为0.889(敏感度和特异度分别为0.78和0.70)。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。应理解，本发明的保护范围不局限于下述特定的具体实施方式；还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方式，而不是为了限制本发明的保护范围。下列具体实施方式中如果未注明具体条件的实验方法，通常按照本领域技术内的常规方法和条件。
具体的，本发明的一个典型实施方式中，提供一种乳腺癌肝转移抗HER-2治疗的疗效预测方法，所述方法包括：
获取受试者即抗HER-2治疗的乳腺癌肝转移患者的待识别腹部加强CT图像；
输入待识别腹部加强CT图像至疗效预测模型，所述疗效预测模型对待识别腹部加强CT图像进行定量分析操作，获得受试者的乳腺癌肝转移抗HER-2治疗的疗效预测结果；
其中，所述疗效预测模型是通过将预先采集的抗HER-2治疗的乳腺癌肝转移患者的影像组学相关特征数据采用机器学习算法进行模型训练获得。
本发明的又一具体实施方式中，疗效预测模型构建具体方法包括：
S1、对患者腹部加强CT图像病变区域进行评估勾画，获得感兴趣区(ROI)；
S2、提取ROI中影像组学特征并构建影像组学模型；对影像组学模型进行数据训练和测试，将训练好的模型作为疗效预测模型；
本发明的又一具体实施方式中，所述步骤S1中，
评估勾画可采用人工方式进行，比如由至少两名资深放射科医师采用双盲法进行评估勾画，前一名医生勾画结束后再由后一名资深医师进行复查；从而保证勾画结果的准确性；当然，评估勾画也可以采用相关勾画装置，从而对图像病变区域进行识别和勾画，并输出勾画后的图像；
本发明的又一具体实施方式中，所述步骤S1中还包括对获取的ROI进行进一步处理，比如进行灰度归一化处理，以减少对比度和亮度变化的影响。在本发明的一个具体实施方式中，获得ROI包括动脉期ROI，门静脉期ROI以及延迟期ROI；
本发明的又一具体实施方式中，所述步骤S2中，提取ROI中影像组学特征包括对ROI进行量化获得ROI特征并进行筛选以获取有效的影像组学特征；
本发明的又一具体实施方式中，所述将ROI进行量化，包括可以采用Radcloud平台从CT图像中提取定量成像特征；将定量成像特征进行分组，所述分组方式可以为描述符、基于形状和大小特征以及基于纹理特征等；然后使用组内相关系数(intra-classcorrelation,ICC)对ROI进行量化，并可利用方差阈值、SelectKBest或LASSO模型对量化的ROI进行筛选以提取有效的影像组学特征；
其中，所述描述符通过常用的基本度量来定量描述体素强度在CT图像中的分布；所述基于形状和大小的特征可以为反映区域形状和大小的三维特征；所述纹理特征则是根据灰度游程和灰度共生纹理矩阵，将能够量化区域异质性差异获得，纹理特征刻画了图像中重复出现的局部模式与他们的排列规则，包括灰度共生矩阵(gray level co-occurrence matrix,GLCM)特征、灰度游程矩阵(gray level run length matrix,GLRLM)特征和灰度区域大小矩阵(gray level size zone matrix,GLSZM)特征等75种特征。优选的，可以使用指数、对数、梯度、平方值、平方根、lbp-2D和小波(小波-LHL、小波-LHH、小波-HLL、小波-LLH、小波-HLH、小波-HHH、小波-HHL、小波-LLL)等14种滤波器对图像进行滤波处理，在更精细的尺度上分析纹理。
所述影像组学模型可采用分类器模型获得，分类器模型包括但不限于KNN、SVM、XGBoost、RF、LR和DT6；
更具体的，将勾画ROI的患者的腹部加强CT图像随机分为训练组和测试组，从而对影像组学模型进行训练和测试，将训练好的模型作为疗效预测模型。同时，评估预测性能可选用受试者工作特性(ROC)曲线，即曲线下面积(AUC)。具体的，0.5＜AUC≤0.7模型预测效能较低，0.7＜AUC≤0.9模型预测效能中等，AUC＞0.9模型预测效能较高。进一步优选的，还可以选用4个指标来评价模型的性能，包括准确率(precision,P)(指所有被预测为某一样本中实际预测正确的比例)、召回率(recall,R)(指实际为某一样本中被预测正确的比例)、F1分数(F1-score)(基于准确率和召回率的调和平均)、支持度(support)(参与的总样本数)。
在本发明的一个具体实施方式中，采用随机分组将测试集结果作为机器学习的评估方法从整体评估模型分类的精确度，取每次验证得分数字的平均数，建立精准度(score)矩阵，以此来筛选出合适的ROI，选取最优的机器学习模型。
经研究发现，动脉期SVM分类器的AUC值最高，为0.756，延迟期RF分类器的AUC值为0.600，其模型的分类效能一般；当分析门静脉期的ROI时，AUC值有明显提升，其RF分类器的AUC值最高，结果为0.889，误诊率与漏诊率有所降低，这说明门静脉期的肝转移瘤CT图像在预测抗HER-2药物疗效方面是有意义的。
本发明的又一具体实施方式中，提供一种乳腺癌肝转移抗HER-2治疗的疗效预测系统，所述疗效预测系统可以包括：
数据获取模块，用于获取受试者即抗HER-2治疗的乳腺癌肝转移患者的待识别腹部加强CT图像；
数据处理和输出模块：用于输入待识别腹部加强CT图像至疗效预测模型，所述疗效预测模型对待识别腹部加强CT图像进行定量分析操作，输出受试者的乳腺癌肝转移抗HER-2治疗的疗效预测结果。
其中，数据处理和输出模块中，所述疗效预测模型是通过将预先采集的抗HER-2治疗的乳腺癌肝转移患者的影像组学相关特征数据采用机器学习算法进行模型训练获得。
本发明的又一具体实施方式中，疗效预测模型构建具体方法包括：
S1、对患者腹部加强CT图像病变区域进行评估勾画，获得感兴趣区(ROI)；
S2、提取ROI中影像组学特征并构建影像组学模型；对影像组学模型进行数据训练和测试，将训练好的模型作为疗效预测模型；
其中，所述步骤S1中，
评估勾画可采用人工方式进行，比如由至少两名资深放射科医师采用双盲法进行评估勾画，前一名医生勾画结束后再由后一名资深医师进行复查；从而保证勾画结果的准确性；当然，评估勾画也可以采用相关勾画装置，从而对图像病变区域进行识别和勾画，并输出勾画后的图像；
本发明的又一具体实施方式中，所述步骤S1中还包括对获取的ROI进行进一步处理，比如进行灰度归一化处理，以减少对比度和亮度变化的影响。在本发明的一个具体实施方式中，获得ROI包括动脉期ROI，门静脉期ROI以及延迟期ROI；
所述步骤S2中，提取ROI中影像组学特征包括对ROI进行量化获得ROI特征并进行筛选以获取有效的影像组学特征；
更具体的，所述将ROI进行量化，包括可以采用Radcloud平台从CT图像中提取定量成像特征；将定量成像特征进行分组，所述分组方式可以为描述符、基于形状和大小特征以及基于纹理特征等；然后使用组内相关系数(intra-class correlation,ICC)对ROI进行量化，并可利用方差阈值、SelectKBest或LASSO模型对量化的ROI进行筛选以提取有效的影像组学特征；
其中，所述描述符通过常用的基本度量来定量描述体素强度在CT图像中的分布；所述基于形状和大小的特征可以为反映区域形状和大小的三维特征；所述纹理特征则是根据灰度游程和灰度共生纹理矩阵，将能够量化区域异质性差异获得，纹理特征刻画了图像中重复出现的局部模式与他们的排列规则，包括灰度共生矩阵(gray level co-occurrence matrix,GLCM)特征、灰度游程矩阵(gray level run length matrix,GLRLM)特征和灰度区域大小矩阵(gray level size zone matrix,GLSZM)特征等75种特征。优选的，可以使用指数、对数、梯度、平方值、平方根、lbp-2D和小波(小波-LHL、小波-LHH、小波-HLL、小波-LLH、小波-HLH、小波-HHH、小波-HHL、小波-LLL)等14种滤波器对图像进行滤波处理，在更精细的尺度上分析纹理。
所述影像组学模型可采用分类器模型获得，分类器模型包括但不限于KNN、SVM、XGBoost、RF、LR和DT6；
更具体的，将勾画ROI的患者的腹部加强CT图像随机分为训练组和测试组，从而对影像组学模型进行训练和测试，将训练好的模型作为疗效预测模型。同时，评估预测性能可选用受试者工作特性(ROC)曲线，即曲线下面积(AUC)。具体的，0.5＜AUC≤0.7模型预测效能较低，0.7＜AUC≤0.9模型预测效能中等，AUC＞0.9模型预测效能较高。进一步优选的，还可以选用4个指标来评价模型的性能，包括准确率(precision,P)(指所有被预测为某一样本中实际预测正确的比例)、召回率(recall,R)(指实际为某一样本中被预测正确的比例)、F1分数(F1-score)(基于准确率和召回率的调和平均)、支持度(support)(参与的总样本数)。
在本发明的一个具体实施方式中，采用随机分组将测试集结果作为机器学习的评估方法从整体评估模型分类的精确度，取每次验证得分数字的平均数，建立精准度(score)矩阵，以此来筛选出合适的ROI，选取最优的机器学习模型。
经研究发现，动脉期SVM分类器的AUC值最高，为0.756，延迟期RF分类器的AUC值为0.600，其模型的分类效能一般；当分析门静脉期的ROI时，AUC值有明显提升，其RF分类器的AUC值最高，结果为0.889，误诊率与漏诊率有所降低，其中强化CT门静脉期的RF算法模型的分类效能最佳。
本发明的又一具体实施方式中，提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述乳腺癌肝转移抗HER-2治疗的疗效预测方法所进行的步骤。
本发明的又一具体实施方式中，提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述乳腺癌肝转移抗HER-2治疗的疗效预测方法所进行的步骤。
为了使得本领域技术人员能够更加清楚地了解本发明的技术方案，以下将结合具体的实施例详细说明本发明的技术方案。
实施例1
材料与方法
1.研究对象
本研究经山东大学齐鲁医院临床研究中心批准。收集2011年1月1日至2021年11月20日在山东大学齐鲁医院中心院区，及山东大学齐鲁医院东院区有住院记录的使用抗HER-2治疗的乳腺癌肝转移患者，所有病例经原发灶或转移灶的病理确诊，对入组患者的腹部加强CT图像进行回顾性分析。本研究共入组患者61例(男0例，女61例；年龄31～71岁)。所有患者在肝转移后规律使用抗HER-2药物(曲妥珠单抗49例，吡咯替尼6例，拉帕替尼6例)，然后将入组的61例患者基于已有的重要临床试验结论(对于HER-2过表达的MBC，化疗联合抗HER-2单克隆抗体药物曲妥珠单抗的中位PFS为7.4个月)分为预后不同的两个组，即预后差组和预后好组，将他们以7:3的比例分层随机抽样分为训练组42例与测试组19例。
入组标准：1.所有病例均通过手术或穿刺取得病理，经免疫组化或FISH检测分析证实为HER-2阳性乳腺癌；2.CT图像上均显示肝转移瘤病变，穿刺病理或影像报告明确转移；3.明确肝转移后规律使用抗HER-2药物如曲妥珠单抗、吡咯替尼等。排除标准：1.乳腺癌肝转移HER-2阴性；2.CT图像有运动伪影、图像质量差、扫描条件差异大，层厚不一致；3.不能明确使用抗HER-2药物无进展生存期的病例。
2.CT扫描方法
采用SOMATOMDefinition AS 64排螺旋CT行腹部加强CT扫描，扫描范围：自膈顶上2cm至肝下缘，扫描条件：管电压120kV，自动管电流，矩阵512×512，扫描层厚5mm，层间距为5mm。从肘部静脉注射碘普罗胺注射液，流速为3.0-3.5mL/s，剂量为1.0mL/kg。于造影剂注射后25～30s、60～70s及120～180s分别行动脉期、门静脉期及延迟期扫描，所收集患者皆能正常配合检查。
3.图像勾画
所有腹部加强CT图像上病变的感兴趣区(ROI)都由两名分别具有5年与10年工作经验的放射科医师双盲法进行评估勾画，前一名医生勾画结束后再由后一名资深医师进行复查。如果差异≥5％，由后者决定边界并重新勾画。然后进行灰度归一化处理，以减少对比度和亮度变化的影响。最终61例患者的CT图像中分割出181个ROI(动脉期61个ROI，门静脉期60个ROI，延迟期60个ROI)，用于受试者分析。
4.特征提取与筛选
使用Radcloud平台(http://radcloud.cn/)从CT图像中提取了1409个定量成像特征。这些特征可以分为三组。第一组(一阶统计量)由126个描述符组成，这些描述符通过常用的基本度量来定量描述体素强度在CT图像中的分布。第二组(基于形状和大小的特征)包含14个反映区域形状和大小的三维特征。根据灰度游程和灰度共生纹理矩阵，将能够量化区域异质性差异的525个纹理特征归为第三类(纹理特征)。纹理特征则刻画了图像中重复出现的局部模式与他们的排列规则，包括灰度共生矩阵(gray level co-occurrencematrix,GLCM)特征、灰度游程矩阵(gray level run length matrix,GLRLM)特征和灰度区域大小矩阵(gray level size zone matrix,GLSZM)特征等75种特征。另外，使用指数、对数、梯度、平方值、平方根、lbp-2D和小波(小波-LHL、小波-LHH、小波-HLL、小波-LLH、小波-HLH、小波-HHH、小波-HHL、小波-LLL)等14种滤波器对图像进行滤波处理，在更精细的尺度上分析纹理。
针对观察者内和观察者间勾画变异，每个特征的观察者内和观察者间一致性通过计算的特征对之间的组内相关系数(intra-class correlation,ICC)进行量化，重复性较低的特征被排除在后续分析之外，丢弃ICC小于0.85的任何特征。通过降维和特征选取减少冗余特征，获得最佳效果。特征选择方法运用方差阈值(方差阈值＝0.8)、SelectKBest和LASSO模型。对于方差阈值法，阈值为0.8，去除方差小于0.8的特征值。SelectKBest方法属于单变量特征选择方法，利用p值分析特征与分类结果之间的关系，所有p值小于0.05的特征都将被使用。对于LASSO模型，使用L1正则化器作为代价函数，交叉验证的误差值为5，最大迭代次数为1000次。
5.影像组学模型构建
对入组的临床数据以及后续的影像组学统计分析，训练数据集与测试数据集以7:3的比例分层随机抽样建立训练组(n＝42)与测试组(n＝19)，随机种子数为170个。使用KNN、SVM、XGBoost、RF、LR和DT6个分类器，构建基于影像组学的机器学习模型对预后差组与预后好组进行建模。
6.评价指标
为了评估预测性能，在训练数据集和测试数据集分别使用了受试者工作特性(ROC)曲线，即曲线下面积(AUC)。0.5＜AUC≤0.7模型预测效能较低，0.7＜AUC≤0.9模型预测效能中等，AUC＞0.9模型预测效能较高。除此之外，用4个指标来评价模型的性能，包括准确率(precision,P)(指所有被预测为某一样本中实际预测正确的比例)、召回率(recall,R)(指实际为某一样本中被预测正确的比例)、F1分数(F1-score)(基于准确率和召回率的调和平均)、支持度(support)(参与的总样本数)。采用随机分组将测试集结果作为机器学习的评估方法从整体评估模型分类的精确度，取每次验证得分数字的平均数，建立精准度(score)矩阵，以此来筛选出合适的ROI，选取最优的机器学习模型。
7.统计分析
采用SPSS软件对数据进行统计分析。年龄用±s表示，组间比较采用独立样本t检验；激素受体状态、HER-2状态、体力状态、既往化疗药物使用、复发转移状态采用x2检验。通过选取的特征与对应加权系数乘积的线性组合依次形成每个患者的影像组学标签，并据此计算每个患者基于各影像组学标签的风险评分。在训练组和验证组中分别对预后差组和预后好组的影像组学特征进行统计分析，建立准确度(score)矩阵对比和评估不同影像组学模型的训练结果。运用受试者工作特征(ROC)曲线评估模型效能。P<0.05表示有统计学意义。
结果
1.一般资料
预后差组与预后好组患者的年龄、体力状态、激素受体(HR)状态、HER-2状态、既往使用化疗药物等均无统计学差异(P<0.05)，如表1。
表1受试者的一般状态
Figure BDA0003514785760000111
2.特征提取与筛选结果
本研究通过方差阈值法从经过ICC检验的1409个CT特征中筛选出351个特征(图2)，然后用SelectKBest方法筛选出12个特征(图3)，最后用LASSO算法筛选出6个最优特征(图4)。基于这6个特征和其回归系数构建影像组学评分(Rad-score)公式，公式为：Rad-score＝特征*系数(表2)。
表2静脉期ROI筛选出的影像组学特征及其类别、滤波器、回归系数
Figure BDA0003514785760000121
3.影像组学模型的鉴别效能
动脉期、门静脉期、延迟期的6种分类器的准确度矩阵得分结果见表3。动脉期ROI测试集所有分类器的ROC曲线分析结果见表4，门静脉期ROI测试集所有分类器的ROC曲线分析结果见表5，其中RF分类器得分最高，使用此分类器训练时，预后差组测试集的AUC值为0.889(95％可信区间:0.66～1.00，敏感度0.70，特异度0.78)，预后好组测试集的AUC值为0.889(95％可信区间:0.66～1.00，敏感度0.78，特异度0.70)。延迟脉期ROI测试集所有分类器的ROC曲线分析结果见表6，门静脉期的ROI测试集的4个指标(准确率，召回率，F1分数，支持度)见表7。
表3动脉期、门静脉期和延迟期训练集与测试集6种分类器的精准度矩阵得分结果
Figure BDA0003514785760000122
Figure BDA0003514785760000131
表4动脉期ROI测试集分类器的ROC曲线分析结果
Figure BDA0003514785760000132
表5门静脉期ROI测试集分类器的ROC曲线分析结果
Figure BDA0003514785760000133
Figure BDA0003514785760000141
表6延迟期ROI测试集分类器的ROC曲线分析结果
Figure BDA0003514785760000142
表7门静脉期ROI测试集的四个指标评价结果
Figure BDA0003514785760000143
Figure BDA0003514785760000151
乳腺癌作为女性发病率最高的恶性肿瘤疾病，近年来呈现年轻化态势，严重危害女性健康，发生癌细胞扩散和转移的晚期乳腺癌更使患者的死亡风险大大提高。其中，乳腺癌转移至肝脏的途径以经肝动脉血行转移为主，已有相关研究证实，是否有肝脏受累是乳腺癌患者总生存期(overall survival，OS)长短的独立预测因素，一旦发生肝转移(livermetastasis，LM)，患者通常预后较差。根据NCCN指南和中国的诊疗常规，晚期Her-2阳性乳腺癌患者在疾病进展时，持续抗Her-2治疗为主要的治疗手段之一，抗HER-2药物例如曲妥珠单抗、吡咯替尼、拉帕替尼等在临床中均显示出了良好的治疗效果。
然而，由于肿瘤在生长过程中存在时间和空间的差异，病理活检有时并不能充分反应肿瘤组织的异质性，原发性乳腺癌和肝转移灶之间甚至是转移灶内部之间的ER、PR和HER-2状态可以有很大的不同，这使得有部分病人难以从抗HER-2治疗中获益。如何筛选出这类病理结果不能真实反映机体HER-2表达水平的患者是我们急需解决的问题。
在本次研究中，首次探讨了基于腹部增强CT的影像组学特征在预测BCLM抗HER-2治疗疗效中的价值。本研究回顾性分析的图像，均为我院已有的BCLM患者治疗期间用于评价疗效的腹部增强CT图像，并没有额外增加患者的辐射剂量与经济负担。基于已有的临床试验结论，对于HER-2阳性MBC，化疗联合抗HER-2单克隆抗体药物曲妥珠单抗的mPFS为7.4个月。另外，一项对于接受过曲妥珠单抗和紫杉烷治疗的HER-2阳性MBC患者的3期临床试验结果示吡咯替尼联合卡培他滨的mPFS为12.5个月，拉帕替尼联合卡培他滨的mPFS为6.8月。根据2021CSCO乳腺癌诊疗指南，对于未使用曲妥珠单抗，曾用曲妥珠单抗但符合再使用的患者首选曲妥珠单抗作为晚期抗HER-2药物使用，一项吡咯替尼II期临床研究纳入了部分既往未使用过曲妥珠单抗的患者，因此专家组同意对于既往曲妥珠单抗未治疗失败的患者，也可应用吡咯替尼治疗。对于曲妥珠单抗治疗失败的病人，吡咯替尼、拉帕替尼都可以作为晚期HER-2阳性乳腺癌的可选化疗方案。因此，为使研究结果更准确及更具参考价值，我们选取了曲妥珠单抗联合化疗的mPFS作为本研究的分组标准，将入组患者分为预后不同的两组来比较它们的影像特征差异。
在影像组学中，有多种机器学习方法可以用来建立分类模型，他们针对不同的任务具有各自的优势。本研究选取6种常用的分类器模型(KNN、SVM、XGBoost、RF、LR和DT)对预后差组和预后好组进行比较，选取其中最优的影像组学算法模型，提取了61例HER-2阳性BCLM患者的181个ROI，以7:3的比例分层随机抽样建立训练组与测试组，对手工勾画的ROI进行数据提取和挖掘，利用方差阈值、SelectKBest和最小绝对收缩和选择算子(LASSO)逻辑回归模型进行特征筛选，分析两组在CT图像上的差异。动脉期SVM分类器的AUC值最高，为0.756，延迟期RF分类器的AUC值为0.600，其模型的分类效能一般。当分析门静脉期的ROI时，AUC值有明显提升，其RF分类器的AUC值最高，结果为0.889，误诊率与漏诊率有所降低，这说明门静脉期的肝转移瘤CT图像在预测抗HER-2药物疗效方面是有意义的。
肝转移瘤增强CT的三个时期各自有各自的特点，主要表现为动脉期快速明显的环状强化，门静脉期边缘连续环状强化和延迟期病灶低密度。有研究显示门静脉期能检测出更多更具体的肝转移瘤病灶，更清晰准确地显示转移瘤的特征。与原发性肝癌相比，肝转移瘤的强化起始时间和峰值时间有所延长，这与门静脉期显影更清楚的结论相一致。HER-2受体介导的信号可促进血管内皮生长因子(VEGF)的分泌，引起肿瘤相关血管生成的增加，促进肿瘤的生长和发展，因此我们认为HER-2表达更强烈患者的肝转移瘤血运更丰富，门静脉期的强化更清楚和持久，能更好显示其影像特征。另有研究显示胃癌的HER-2表达与增强CT的门静脉期有关而不是其他时期。因此，我们认为强化CT的门静脉期影像组学特征可以很好反应肝转移瘤HER-2表达水平，预测患者抗HER-2治疗效果的优劣。放射组学模型可成为临床新工具，为临床医生提供额外信息，促进个性化精准治疗的发展。
综上所述，基于纹理特征建立的影像组学模型是较准确和客观的，影像组学可成为判断乳腺癌肝转移患者抗HER-2治疗疗效优劣的客观精准且简单易行的无创工具，其中强化CT门静脉期的RF算法模型的分类效能最佳。
实施例2
一种乳腺癌肝转移抗HER-2治疗的疗效预测系统，所述疗效预测系统可以包括：
数据获取模块，用于获取受试者即抗HER-2治疗的乳腺癌肝转移患者的待识别腹部加强CT图像；
数据处理和输出模块：用于输入待识别腹部加强CT图像至疗效预测模型，所述疗效预测模型对待识别腹部加强CT图像进行定量分析操作，输出受试者的乳腺癌肝转移抗HER-2治疗的疗效预测结果。
其中，数据处理和输出模块中，所述疗效预测模型是通过将预先采集的抗HER-2治疗的乳腺癌肝转移患者的影像组学相关特征数据采用机器学习算法进行模型训练获得。
疗效预测模型构建具体方法包括：
S1、对患者腹部加强CT图像病变区域进行评估勾画，获得感兴趣区(ROI)；
S2、提取ROI中影像组学特征并构建影像组学模型；对影像组学模型进行数据训练和测试，将训练好的模型作为疗效预测模型；
其中，所述步骤S1中，
评估勾画可采用人工方式进行，比如由至少两名资深放射科医师采用双盲法进行评估勾画，前一名医生勾画结束后再由后一名资深医师进行复查；从而保证勾画结果的准确性；当然，评估勾画也可以采用相关勾画装置，从而对图像病变区域进行识别和勾画，并输出勾画后的图像；
所述步骤S1中还包括对获取的ROI进行进一步处理，比如进行灰度归一化处理，以减少对比度和亮度变化的影响。在本发明的一个具体实施方式中，获得ROI包括动脉期ROI，门静脉期ROI以及延迟期ROI；
所述步骤S2中，提取ROI中影像组学特征包括对ROI进行量化获得ROI特征并进行筛选以获取有效的影像组学特征；
所述将ROI进行量化，包括可以采用Radcloud平台从CT图像中提取定量成像特征；将定量成像特征进行分组，所述分组方式可以为描述符、基于形状和大小特征以及基于纹理特征等；然后使用组内相关系数(intra-class correlation,ICC)对ROI进行量化，并可利用方差阈值、SelectKBest或LASSO模型对量化的ROI进行筛选以提取有效的影像组学特征；
其中，所述描述符通过常用的基本度量来定量描述体素强度在CT图像中的分布；所述基于形状和大小的特征可以为反映区域形状和大小的三维特征；所述纹理特征则是根据灰度游程和灰度共生纹理矩阵，将能够量化区域异质性差异获得，纹理特征刻画了图像中重复出现的局部模式与他们的排列规则，包括灰度共生矩阵(gray level co-occurrence matrix,GLCM)特征、灰度游程矩阵(gray level run length matrix,GLRLM)特征和灰度区域大小矩阵(gray level size zone matrix,GLSZM)特征等75种特征。优选的，可以使用指数、对数、梯度、平方值、平方根、lbp-2D和小波(小波-LHL、小波-LHH、小波-HLL、小波-LLH、小波-HLH、小波-HHH、小波-HHL、小波-LLL)等14种滤波器对图像进行滤波处理，在更精细的尺度上分析纹理。
所述影像组学模型可采用分类器模型获得，分类器模型包括但不限于KNN、SVM、XGBoost、RF、LR和DT6；
具体的，将勾画ROI的患者的腹部加强CT图像随机分为训练组和测试组，从而对影像组学模型进行训练和测试，将训练好的模型作为疗效预测模型。同时，评估预测性能可选用受试者工作特性(ROC)曲线，即曲线下面积(AUC)。具体的，0.5＜AUC≤0.7模型预测效能较低，0.7＜AUC≤0.9模型预测效能中等，AUC＞0.9模型预测效能较高。进一步优选的，还可以选用4个指标来评价模型的性能，包括准确率(precision,P)(指所有被预测为某一样本中实际预测正确的比例)、召回率(recall,R)(指实际为某一样本中被预测正确的比例)、F1分数(F1-score)(基于准确率和召回率的调和平均)、支持度(support)(参与的总样本数)。
采用随机分组将测试集结果作为机器学习的评估方法从整体评估模型分类的精确度，取每次验证得分数字的平均数，建立精准度(score)矩阵，以此来筛选出合适的ROI，选取最优的机器学习模型。
实施例3
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1方法中的各个操作，为了简洁，在此不再赘述。
所述电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解，在本发明中，该处理器可以是中央处理单元CPU，该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。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。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述功能如果以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存储介质中。基于这样的理解，本申请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)执行本申请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。
应注意的是，以上实例仅用于说明本发明的技术方案而非对其进行限制。尽管参照所给出的实例对本发明进行了详细说明，但是本领域的普通技术人员可根据需要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。

Claims (10)

1.一种乳腺癌肝转移抗HER-2治疗的疗效预测方法，其特征在于，所述方法包括：
获取受试者即抗HER-2治疗的乳腺癌肝转移患者的待识别腹部加强CT图像；
输入待识别腹部加强CT图像至疗效预测模型，所述疗效预测模型对待识别腹部加强CT图像进行定量分析操作，获得受试者的乳腺癌肝转移抗HER-2治疗的疗效预测结果；
其中，所述疗效预测模型是通过将预先采集的抗HER-2治疗的乳腺癌肝转移患者的影像组学相关特征数据采用机器学习算法进行模型训练获得。
2.如权利要求1所述的疗效预测方法，其特征在于，疗效预测模型构建具体方法包括：
S1、对患者腹部加强CT图像病变区域进行评估勾画，获得感兴趣区ROI；
S2、提取ROI中影像组学特征并构建影像组学模型；对影像组学模型进行数据训练和测试，将训练好的模型作为疗效预测模型。
3.如权利要求2所述的疗效预测方法，其特征在于，所述步骤S1中，还包括对获取的ROI进行进一步处理，包括进行灰度归一化处理；优选的，获得ROI包括动脉期ROI，门静脉期ROI以及延迟期ROI；
所述步骤S2中，提取ROI中影像组学特征包括对ROI进行量化获得ROI特征并进行筛选以获取有效的影像组学特征。
4.如权利要求2所述的疗效预测方法，其特征在于，所述影像组学模型采用分类器模型获得，分类器模型包括KNN、SVM、XGBoost、RF、LR和DT6。
5.一种乳腺癌肝转移抗HER-2治疗的疗效预测系统，其特征在于，所述疗效预测系统包括：
数据获取模块，用于获取受试者即抗HER-2治疗的乳腺癌肝转移患者的待识别腹部加强CT图像；
数据处理和输出模块：用于输入待识别腹部加强CT图像至疗效预测模型，所述疗效预测模型对待识别腹部加强CT图像进行定量分析操作，输出受试者的乳腺癌肝转移抗HER-2治疗的疗效预测结果；
其中，数据处理和输出模块中，所述疗效预测模型是通过将预先采集的抗HER-2治疗的乳腺癌肝转移患者的影像组学相关特征数据采用机器学习算法进行模型训练获得。
6.如权利要求5所述的系统，其特征在于，所述疗效预测模型构建具体方法包括：
S1、对患者腹部加强CT图像病变区域进行评估勾画，获得感兴趣区ROI；
S2、提取ROI中影像组学特征并构建影像组学模型；对影像组学模型进行数据训练和测试，将训练好的模型作为疗效预测模型。
7.如权利要求6所述的系统，其特征在于，所述步骤S1中，
评估勾画采用人工或勾画装置进行；
优选的，所述步骤S1中还包括对获取的ROI进行进一步处理，包括进行灰度归一化处理，进一步优选的，获得ROI包括动脉期ROI，门静脉期ROI以及延迟期ROI。
8.如权利要求6所述的系统，其特征在于，所述步骤S2中，提取ROI中影像组学特征包括对ROI进行量化获得ROI特征并进行筛选以获取有效的影像组学特征；
优选的，所述将ROI进行量化，包括采用Radcloud平台从CT图像中提取定量成像特征；将定量成像特征进行分组，所述分组方式包括描述符、基于形状和大小特征和基于纹理特征；然后使用组内相关系数对ROI进行量化，并利用方差阈值、SelectKBest或LASSO模型对量化的ROI进行筛选以提取有效的影像组学特征；
优选的，所述影像组学模型采用分类器模型获得，分类器模型包括但不限于KNN、SVM、XGBoost、RF、LR和DT6；
进一步优选为强化CT门静脉期的RF分类器模型。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-4任一项所述乳腺癌肝转移抗HER-2治疗的疗效预测方法所进行的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-4任一项所述乳腺癌肝转移抗HER-2治疗的疗效预测方法所进行的步骤。
CN202210163028.1A 2022-02-22 2022-02-22 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质 Pending CN114549463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210163028.1A CN114549463A (zh) 2022-02-22 2022-02-22 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210163028.1A CN114549463A (zh) 2022-02-22 2022-02-22 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN114549463A true CN114549463A (zh) 2022-05-27

Family

ID=81677646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210163028.1A Pending CN114549463A (zh) 2022-02-22 2022-02-22 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN114549463A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115440386A (zh) * 2022-09-30 2022-12-06 中国医学科学院北京协和医院 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果
CN115995295A (zh) * 2022-12-07 2023-04-21 山东大学齐鲁医院 基于影像组学的乳腺癌骨转移治疗反应评估方法及系统
CN116862858A (zh) * 2023-07-04 2023-10-10 浙江大学 一种基于影像组学的胃癌治疗疗效的预测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115440386A (zh) * 2022-09-30 2022-12-06 中国医学科学院北京协和医院 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果
CN115995295A (zh) * 2022-12-07 2023-04-21 山东大学齐鲁医院 基于影像组学的乳腺癌骨转移治疗反应评估方法及系统
CN116862858A (zh) * 2023-07-04 2023-10-10 浙江大学 一种基于影像组学的胃癌治疗疗效的预测方法及系统

Similar Documents

Publication Publication Date Title
US10339648B2 (en) Quantitative predictors of tumor severity
CN114549463A (zh) 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质
EP3528261A1 (en) Prediction model for grouping hepatocellular carcinoma, prediction system thereof, and method for determining hepatocellular carcinoma group
Alksas et al. A novel computer-aided diagnostic system for accurate detection and grading of liver tumors
US11241190B2 (en) Predicting response to therapy for adult and pediatric crohn&#39;s disease using radiomic features of mesenteric fat regions on baseline magnetic resonance enterography
CN113017674B (zh) 基于胸部ct图像的egfr基因突变检测方法和系统
Pan et al. Detecting the early infarct core on non-contrast CT images with a deep learning residual network
EP3857565A1 (en) Machine learning-based automated abnormality detection in medical images and presentation thereof
Sahoo et al. Efficient simultaneous segmentation and classification of brain tumors from MRI scans using deep learning
Ma et al. Automated identification of optimal portal venous phase timing with convolutional neural networks
Lin et al. Using deep learning in ultrasound imaging of bicipital peritendinous effusion to grade inflammation severity
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
Champendal et al. Artificial intelligence to support person-centred care in breast imaging-A scoping review
Hasan et al. Molecular subtypes classification of breast cancer in DCE-MRI using deep features
CN111265234A (zh) 一种肺部纵膈淋巴结的性质判定方法及系统
CN111971751A (zh) 用于评估动态数据的系统和方法
Chou et al. Lesion size of early cerebral infarction on a Non-Contrast CT influences detection ability in Cascade Mask Region-Convolutional neural networks
Kularathne et al. Liver Tumor Identification GUI using MATLAB Image Processing
Rodriguez Ruiz Artificial intelligence and tomosynthesis for breast cancer detection
Yu et al. Integrating intratumoral and peritumoral radiomics with deep transfer learning for DCE-MRI breast lesion differentiation: A multicenter study comparing performance with radiologists
Hsu et al. A comprehensive study of age-related macular degeneration detection
Fang et al. A deep learning and radiomics based Alberta stroke program early CT score method on CTA to evaluate acute ischemic stroke
US20220405917A1 (en) Combination of features from biopsies and scans to predict prognosis in sclc
Palatka et al. Enhanced imagistic methodologies augmenting radiological image processing in interstitial lung diseases
BR et al. A Deep Evaluation of Digital Image based Bone Cancer Prediction using Modified Machine Learning Strategy

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