CN114550926A - 一种孤立肺结节恶性风险预测系统 - Google Patents
一种孤立肺结节恶性风险预测系统 Download PDFInfo
- Publication number
- CN114550926A CN114550926A CN202210062770.3A CN202210062770A CN114550926A CN 114550926 A CN114550926 A CN 114550926A CN 202210062770 A CN202210062770 A CN 202210062770A CN 114550926 A CN114550926 A CN 114550926A
- Authority
- CN
- China
- Prior art keywords
- risk
- nodule
- total score
- nodules
- lung
- 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
- 230000003211 malignant effect Effects 0.000 title claims abstract description 28
- 230000002685 pulmonary effect Effects 0.000 title claims description 7
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 59
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 37
- 208000000017 Solitary Pulmonary Nodule Diseases 0.000 claims abstract description 35
- 201000011510 cancer Diseases 0.000 claims abstract description 31
- 230000036210 malignancy Effects 0.000 claims abstract description 30
- 239000007787 solid Substances 0.000 claims description 25
- 230000000391 smoking effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010003598 Atelectasis Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- GUJOJGAPFQRJSV-UHFFFAOYSA-N dialuminum;dioxosilane;oxygen(2-);hydrate Chemical compound O.[O-2].[O-2].[O-2].[Al+3].[Al+3].O=[Si]=O.O=[Si]=O.O=[Si]=O.O=[Si]=O GUJOJGAPFQRJSV-UHFFFAOYSA-N 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G16H50/30—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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于医学诊断技术领域，具体涉及一种孤立肺结节恶性风险预测系统。本发明的系统包括：数据采集模块，用于采集和/或输入孤立性肺结节患者的变量数据；数据运算模块，用于对各项变量数据进行赋值，并对所述赋值进行求和，得到总分，然后按照总分对孤立肺结节恶性风险进行分级；数据输出模块，用于输出孤立肺结节恶性风险的分级结果。该系统针对实性SPN和亚实性SPN分别对不同的变量数据进行赋值和评分，相比于现有技术，具有更好的准确性。因此，本发明具有很好的应用前景。
Description
技术领域
本发明属于医学诊断技术领域，具体涉及一种孤立肺结节恶性风险预测系统。
背景技术
孤立性肺结节(Solitary pulmonary nodule)是指单一的、边界清楚、影像不透明的、直径≤3cm、周围为含气肺组织所包绕的病变，没有肺不张、肺门增大或胸腔积液表现的肺部阴影。近年随着低剂量螺旋CT(LDCT)的广泛应用，SPN的临床检出率日益增高。但SPN并非意味着肺癌，研究显示96.4％的SPN为良性。然而，受试者在查出SPN后常处于担心癌变的恐惧、焦虑情绪中，频繁接受LDCT复查带来过度辐射暴露和医疗资源浪费。但部分早期肺癌表现为SPN，无特异性临床表现，误诊或漏诊又使患者错失及时干预时机。因此，对SPN恶性风险精准评估具有重要临床意义。
目前针对SPN恶性风险评估有多个指南或专家共识推荐意见，但各个指南推荐的评估方法/公式各异。且前期研究发现，国际上公认的SPN风险评估模型(如梅奥模型、Brock模型等)，在中国SPN患者中的预测效果不尽满意。
中国发明专利申请“CN113450910A一种基于逻辑回归模型的孤立肺结节恶性风险预测系统”根据中国人群的病历信息建立了一种逻辑回归模型，主要根据有无吸烟史、CT结节边缘光滑、年龄、性别、CT结节边界清楚、CT结节钙化和是否饮酒等特征对孤立肺结节恶性风险进行了预测。该模型并未区分SPN为实性结节和亚实性结节。然而，在临床上，实性结节和亚实性结节的引发因素和恶性风险判断诊断标准有一定的区别。因而，该模型的预测准确性受到了一定程度的不利影响。
为此，需要开发新的评估系统，实现对SPN恶性风险的精准分层，指导临床干预。
发明内容
针对现有技术的缺陷，本发明提供一种孤立肺结节恶性风险预测系统，目的在于分别对实性孤立肺结节和亚实性孤立肺结节进行更加准确的恶性风险预测。
一种实性孤立肺结节恶性风险预测系统，包括：
数据采集模块，用于采集和/或输入实性孤立性肺结节患者的变量数据；所述变量数据包括性别、年龄、肿瘤家族史、吸烟史、恶性肿瘤个人史、结节最大直径和结节边缘特征；
数据运算模块，用于对各项变量数据进行赋值，并对所述赋值进行求和，得到总分，然后按照总分对实性孤立肺结节恶性风险进行分级；
数据输出模块，用于输出实性孤立肺结节恶性风险的分级结果。
优选的，对各项变量数据进行赋值的方式如下：
优选的，对实性孤立肺结节恶性风险进行分级的方式如下：
当所述总分≥9分，判断为高风险；
当所述总分大于7分且小于9分，判断为中风险；
当所述总分≤7分，判断为低风险。
优选的，所述高风险的实性孤立肺结节是根据lungRADs 1.1进行分类，归为4B或4X类的实性孤立肺结节；
所述中风险实性孤立肺结节是根据lungRADs 1.1进行分类，归为3或4A类的实性孤立肺结节；
所述低风险实性孤立肺结节是根据lungRADs 1.1进行分类，归为0、1或2类的实性孤立肺结节。
本发明还提供一种亚实性孤立肺结节恶性风险预测系统，包括：
数据采集模块，用于采集和/或输入亚实性孤立性肺结节患者的变量数据；所述变量数据包括性别、年龄、肿瘤家族史、吸烟史、恶性肿瘤个人史、结节最大直径和结节密度；
数据运算模块，用于对各项变量数据进行赋值，并对所述赋值进行求和，得到总分，然后按照总分对亚实性孤立肺结节恶性风险进行分级；
数据输出模块，用于输出亚实性孤立肺结节恶性风险的分级结果。
优选的，对各项变量数据进行赋值的方式如下：
优选的，对亚实性孤立肺结节恶性风险进行分级的方式如下：
当所述总分≥9分，判断为高风险；
当所述总分大于7分且小于9分，判断为中风险；
当所述总分≤7分，判断为低风险。
优选的，所述高风险的亚实性孤立肺结节是根据lungRADs 1.1进行分类，归为4B或4X类的实性孤立肺结节；
所述中风险亚实性孤立肺结节是根据lungRADs 1.1进行分类，归为3或4A类的实性孤立肺结节；
所述低风险亚实性孤立肺结节是根据lungRADs 1.1进行分类，归为0、1或2类的实性孤立肺结节。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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使上述实性孤立肺结节恶性风险预测系统或亚实性孤立肺结节恶性风险预测系统实现以下步骤，包括：
(1)采集和/或输入孤立性肺结节患者的变量数据；
(2)对各项变量数据进行赋值，并对所述赋值进行求和，得到总分，然后按照总分对实性孤立肺结节或亚实性孤立肺结节恶性风险进行分级；
(3)输出实性孤立肺结节或亚实性孤立肺结节的分级结果。
本发明还提供一种计算机可读存储介质，其上存储有上述计算机程序。
本发明的系统针对实性SPN和亚实性SPN分别对不同的变量数据进行赋值和评分。在优选的方案中，通过赋值和风险阈值的设置，在保证敏感度的前提下，兼顾特异度，能够更加准确地预测SPN的恶性风险。因此，本发明在临床应用中具有很好的前景。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为实验例1中预测高风险的实性孤立肺结节的ROC曲线；
图2为实验例1中预测低风险的实性孤立肺结节的ROC曲线。
具体实施方式
需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1实性孤立肺结节恶性风险预测系统
本实施例的系统包括数据采集模块、数据运算模块和数据输出模块。
数据采集模块，用于采集和/或输入实性孤立性肺结节患者的变量数据；所述变量数据包括性别、年龄、肿瘤家族史、吸烟史、恶性肿瘤个人史、结节最大直径和结节边缘特征。
数据运算模块，用于对各项变量数据进行赋值，并对所述赋值进行求和，得到总分，然后按照总分对实性孤立肺结节恶性风险进行分级。
对各项变量数据进行赋值的方式如下：
根据lungRADs 1.1进行分类，归为4B或4X类的实性孤立肺结节为高风险，归为3或4A类的实性孤立肺结节为中风险，归为0、1或2类的实性孤立肺结节为低风险。对实性孤立肺结节恶性风险进行分级的方式如下：
当所述总分≥9分，判断为高风险；
当所述总分大于7分且小于9分，判断为中风险；
当所述总分≤7分，判断为低风险。
数据输出模块，用于输出实性孤立肺结节恶性风险的分级结果。
实施例2亚实性孤立肺结节恶性风险预测系统
本实施例的系统包括数据采集模块、数据运算模块和数据输出模块。
数据采集模块，用于采集和/或输入亚实性孤立性肺结节患者的变量数据；所述变量数据包括性别、年龄、肿瘤家族史、吸烟史、恶性肿瘤个人史、结节最大直径和结节边缘特征。
数据运算模块，用于对各项变量数据进行赋值，并对所述赋值进行求和，得到总分，然后按照总分对亚实性孤立肺结节恶性风险进行分级。
对各项变量数据进行赋值的方式如下：
根据lungRADs 1.1进行分类，归为4B或4X类的亚实性孤立肺结节为高风险，归为3或4A类的亚实性孤立肺结节为中风险，归为0、1或2类的亚实性孤立肺结节为低风险。对亚实性孤立肺结节恶性风险进行分级的方式如下：
当所述总分≥9分，判断为高风险；
当所述总分大于7分且小于9分，判断为中风险；
当所述总分≤7分，判断为低风险。
数据输出模块，用于输出亚实性孤立肺结节恶性风险的分级结果。
下面通过实验例进一步说明本发明的有益效果。
实验例1风险阈值设定的优选
以四川大学华西医院健康管理中心常规体检所发现的371例SPN为试验对象，通过实施例1和2的系统预测孤立肺结节恶性风险。
针对实施例1，改变判断为高风险的总分的阈值，根据ROC计算对应的敏感度、特异度如下表所示：
| 阈值 | 敏感性 | 1-特异性 | 特异性 | 敏感性+特异性 |
| 5.500 | 1.000 | 1.000 | 0.000 | 1.000 |
| 6.750 | 1.000 | 0.853 | 0.147 | 1.147 |
| 7.250 | 1.000 | 0.573 | 0.427 | 1.427 |
| 7.750 | 1.000 | 0.497 | 0.503 | 1.503 |
| 8.250 | 1.000 | 0.280 | 0.720 | 1.720 |
| 8.750 | 1.000 | 0.196 | 0.804 | 1.804 |
| 9.250 | 0.984 | 0.098 | 0.902 | 1.886 |
| 9.750 | 0.913 | 0.063 | 0.937 | 1.850 |
| 10.250 | 0.794 | 0.035 | 0.965 | 1.759 |
| 10.750 | 0.476 | 0.014 | 0.986 | 1.462 |
| 11.250 | 0.333 | 0.014 | 0.986 | 1.319 |
| 11.750 | 0.190 | 0.000 | 1.000 | 1.190 |
| 12.250 | 0.151 | 0.000 | 1.000 | 1.151 |
| 13.000 | 0.079 | 0.000 | 1.000 | 1.079 |
| 14.500 | 0.000 | 0.000 | 1.000 | 1.000 |
从上表可以看到，将高风险阈值设置在9分，能够在保证敏感度的前提下，兼顾特异度。
通过实施例1的系统预测实性孤立肺结节恶性风险，对于高风险的实性孤立肺结节的AUC为0.975(95％CI:0.958-0.993)，如图1所示。
改变判断为低风险的总分的阈值，根据ROC计算对应的敏感度、特异度如下表所示：
从上表可以看到，将低风险阈值设置在7分，能够在保证敏感度的前提下，兼顾特异度。
通过实施例1的系统预测实性孤立肺结节恶性风险，对于低风险的实性孤立肺结节的AUC为0.923(95％CI:0.890-0.957)，如图2所示。
实验例2应用实例
采集另一中心(川北医学院附属医院2015.1.1-2021.10.30)SPN 364例，对实施例1和实施例2的系统进行外部验证。
数据分布及风险预测结果如下表所示：
经过计算，对所有数据的敏感性、特异性和阳性预测值等结果如下表所示：
| 低风险 | 中风险 | 高风险 | |
| 敏感度 | 42.66％ | 81.08％ | 91.84％ |
| 特异度 | 97.29％ | 77.24％ | 83.41％ |
| 约登指数 | 39.94％ | 58.32％ | 75.25％ |
| 阳性预测值 | 91.04％ | 47.62％ | 78.95％ |
| 阴性预测值 | 72.39％ | 94.12％ | 93.78％ |
从上表可以看到，实施例1和实施例2的系统能够实现对孤立肺结节恶性风险的预测，特别是对高风险的预测，具有很好的敏感度和特异度。
通过上述实施例和实验例可以看到，本发明提供的系统能够实现对孤立肺结节恶性风险的预测，特别是对高风险的预测，具有很好的敏感度和特异度。因此，本发明在临床应用中具有很好的前景。
Claims (10)
1.一种实性孤立肺结节恶性风险预测系统，其特征在于，包括：
数据采集模块，用于采集和/或输入实性孤立性肺结节患者的变量数据；所述变量数据包括性别、年龄、肿瘤家族史、吸烟史、恶性肿瘤个人史、结节最大直径和结节边缘特征；
数据运算模块，用于对各项变量数据进行赋值，并对所述赋值进行求和，得到总分，然后按照总分对实性孤立肺结节恶性风险进行分级；
数据输出模块，用于输出实性孤立肺结节恶性风险的分级结果。
2.按照权利要求1所述的实性孤立肺结节恶性风险预测系统，其特征在于，对各项变量数据进行赋值的方式如下：
3.按照权利要求2所述的实性孤立肺结节恶性风险预测系统，其特征在于，对实性孤立肺结节恶性风险进行分级的方式如下：
当所述总分≥9分，判断为高风险；
当所述总分大于7分且小于9分，判断为中风险；
当所述总分≤7分，判断为低风险。
4.按照权利要求3所述的实性孤立肺结节恶性风险预测系统，其特征在于：所述高风险的实性孤立肺结节是根据lungRADs 1.1进行分类，归为4B或4X类的实性孤立肺结节；
所述中风险实性孤立肺结节是根据lungRADs 1.1进行分类，归为3或4A类的实性孤立肺结节；
所述低风险实性孤立肺结节是根据lungRADs 1.1进行分类，归为0、1或2类的实性孤立肺结节。
5.一种亚实性孤立肺结节恶性风险预测系统，其特征在于，包括：
数据采集模块，用于采集和/或输入亚实性孤立性肺结节患者的变量数据；所述变量数据包括性别、年龄、肿瘤家族史、吸烟史、恶性肿瘤个人史、结节最大直径和结节密度；
数据运算模块，用于对各项变量数据进行赋值，并对所述赋值进行求和，得到总分，然后按照总分对亚实性孤立肺结节恶性风险进行分级；
数据输出模块，用于输出亚实性孤立肺结节恶性风险的分级结果。
6.按照权利要求5所述的亚实性孤立肺结节恶性风险预测系统，其特征在于，对各项变量数据进行赋值的方式如下：
7.按照权利要求6所述的亚实性孤立肺结节恶性风险预测系统，其特征在于，对亚实性孤立肺结节恶性风险进行分级的方式如下：
当所述总分≥9分，判断为高风险；
当所述总分大于7分且小于9分，判断为中风险；
当所述总分≤7分，判断为低风险。
8.按照权利要求7所述的亚实性孤立肺结节恶性风险预测系统，其特征在于：所述高风险的亚实性孤立肺结节是根据lungRADs 1.1进行分类，归为4B或4X类的实性孤立肺结节；
所述中风险亚实性孤立肺结节是根据lungRADs 1.1进行分类，归为3或4A类的实性孤立肺结节；
所述低风险亚实性孤立肺结节是根据lungRADs 1.1进行分类，归为0、1或2类的实性孤立肺结节。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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使权利要求1-4任一项所述的实性孤立肺结节恶性风险预测系统或权利要求5-8任一项所述的亚实性孤立肺结节恶性风险预测系统实现以下步骤，包括：
(1)采集和/或输入孤立性肺结节患者的变量数据；
(2)对各项变量数据进行赋值，并对所述赋值进行求和，得到总分，然后按照总分对实性孤立肺结节或亚实性孤立肺结节恶性风险进行分级；
(3)输出实性孤立肺结节或亚实性孤立肺结节的分级结果。
10.一种计算机可读存储介质，其特征在于：其上存储有如权利要求9所述的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210062770.3A CN114550926A (zh) | 2022-01-19 | 2022-01-19 | 一种孤立肺结节恶性风险预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210062770.3A CN114550926A (zh) | 2022-01-19 | 2022-01-19 | 一种孤立肺结节恶性风险预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114550926A true CN114550926A (zh) | 2022-05-27 |
Family
ID=81671675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210062770.3A Pending CN114550926A (zh) | 2022-01-19 | 2022-01-19 | 一种孤立肺结节恶性风险预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114550926A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
| CN113223722A (zh) * | 2021-04-25 | 2021-08-06 | 郑州大学 | 基于列线图的肺结节数据库及预测模型的构建方法及系统 |
| CN113450910A (zh) * | 2020-09-27 | 2021-09-28 | 四川大学华西医院 | 一种基于逻辑回归模型的孤立肺结节恶性风险预测系统 |
-
2022
- 2022-01-19 CN CN202210062770.3A patent/CN114550926A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113450910A (zh) * | 2020-09-27 | 2021-09-28 | 四川大学华西医院 | 一种基于逻辑回归模型的孤立肺结节恶性风险预测系统 |
| CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
| CN113223722A (zh) * | 2021-04-25 | 2021-08-06 | 郑州大学 | 基于列线图的肺结节数据库及预测模型的构建方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 项杨威: "孤立性肺结节外科诊断相关问题的研究" * |
| 高佳丽: "胸部CT联合血清肿瘤标志物在肺结节良恶性鉴别诊断的价值" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mohamed et al. | A deep learning method for classifying mammographic breast density categories | |
| Fuhrman et al. | A review of explainable and interpretable AI with applications in COVID‐19 imaging | |
| WO2022110278A1 (zh) | 一种用于肺结节风险性评估的系统 | |
| Liang et al. | Accurate diagnosis of pulmonary nodules using a noninvasive DNA methylation test | |
| Xu et al. | Computer-aided diagnosis systems in diagnosing malignant thyroid nodules on ultrasonography: a systematic review and meta-analysis | |
| CN108766559B (zh) | 用于智能疾病筛查的临床决策支持方法及系统 | |
| CN109036547A (zh) | 一种基于聚类分析的肺部ct图像计算机辅助系统及方法 | |
| CN112185569A (zh) | 一种乳腺癌患者无病生存期预测模型及其构建方法 | |
| US20230306598A1 (en) | Systems and methods for mesothelioma feature detection and enhanced prognosis or response to treatment | |
| CN111768366A (zh) | 超声成像系统、bi-rads分级方法及模型训练方法 | |
| 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 | |
| CN116092664A (zh) | 一种胰腺癌预后预测模型建立方法 | |
| Wang et al. | Can peritumoral regions increase the efficiency of machine-learning prediction of pathological invasiveness in lung adenocarcinoma manifesting as ground-glass nodules? | |
| CN117711615A (zh) | 基于影像组学的淋巴结转移状态分类预测方法及设备 | |
| CN114550926A (zh) | 一种孤立肺结节恶性风险预测系统 | |
| CN116805509A (zh) | 结直肠癌免疫治疗预测标志物的构建方法及应用 | |
| CN115565679A (zh) | 一种结直肠癌发病风险的评估方法及分级筛查系统 | |
| Feng et al. | Flexible diagnostic measures and new cut‐point selection methods under multiple ordered classes | |
| Akazawa et al. | Development and Validation of Machine Learning Models for the Prediction of Overall Survival and Cancer-Specific Survival in Patients with Endometrial Cancer: An Analysis of the Surveillance, Epidemiology, and End Results (SEER) Database | |
| CN112259231A (zh) | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 | |
| CN117174323B (zh) | 一种SFTs整合风险评估系统 | |
| Padilla et al. | Image retrieval‐based parenchymal analysis for breast cancer risk assessment | |
| Fish et al. | Novel Multiplexed plasma biomarkers and clinical factors augment risk assessment for indeterminate pulmonary nodules in former smokers | |
| KR102496026B1 (ko) | 예측 데이터를 이용한 전립선암 치료 계획 시스템 | |
| LU506193B1 (en) | A method, system, and computer-readable storage media for detecting EGFR gene mutations |
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: 20220527 |