CN114649094B - 一种基于核磁共振的乳腺癌多参数临床决策辅助装置 - Google Patents
一种基于核磁共振的乳腺癌多参数临床决策辅助装置 Download PDFInfo
- Publication number
- CN114649094B CN114649094B CN202210327605.6A CN202210327605A CN114649094B CN 114649094 B CN114649094 B CN 114649094B CN 202210327605 A CN202210327605 A CN 202210327605A CN 114649094 B CN114649094 B CN 114649094B
- Authority
- CN
- China
- Prior art keywords
- decision
- value
- breast cancer
- auxiliary
- module
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Abstract
本发明公开了一种基于核磁共振的乳腺癌多参数临床决策辅助装置,其包括:获取模块,为智能终端的键盘等输入设备,用于获取决策辅助需求信息;决策辅助需求信息至少包括早期影像学特征,血液指标、基线特征、病理指标数据;创建模块,用于创建决策辅助模型及评估模型;计算模块,用于利用决策辅助模型根据数值转换策略对决策辅助需求信息进行计算;评估模块,用于利用评估模型对计算结果进行打分,并对打分结果进行评估;反馈模块,为智能终端的显示屏幕等,用于返回评估结果。本发明装置能够有效针对第一周期新辅助治疗后的乳腺癌患者进行疗效评估,实现早期预测的目的,给乳腺癌的临床决策提供基于多参数的有效辅助,改善患者预后。
Description
技术领域
本发明属于医疗辅助设备领域,尤其涉及一种基于核磁共振的乳腺癌多参数临床决策辅助装置。
背景技术
近年来,乳腺癌是女性常见的恶性肿瘤,损害着全人类的健康。随着医疗工作者对乳腺癌的不断研究,以手术为核心的综合治疗模式使乳腺癌病人术后复发率与生存率得到明显改善,这种治疗模式也成为提升乳腺癌病人预后的最佳治疗方案。对于三阴性、HER2阳性、肿块较大或腋窝淋巴结转移的乳腺癌患者,新辅助治疗( neoadjuvant therapy,NAT)使得部分不可手术的病人转变为可手术病人,且部分不符合保乳条件的病人在接受 NAT后,经过慎重的病情评估,也能够进行保乳手术。NAT是病人在术前能够获得的对治疗药物药敏反应的最直接方式,其治疗后病灶达到病理完全缓解(pathological completeresponse, pCR)的患者,可预测并改善预后,未达到病理完全缓解(non-pathologicalcomplete response, non-pCR)的患者,生存获益相对较差。同时对于有腋窝淋巴结转移灶的病人,如果转移灶达到pCR,则可以考虑不进行腋窝淋巴结清扫术( axillary lymphnode dissection,ALND) ,保留病人的腋窝功能,提高病人的生活质量。但是,目前多数患者是在完成新辅助治疗并接受乳腺癌根治性手术后才能识别出pCR和non-pCR患者,才能在辅助阶段为non-pCR患者给予强化治疗。在这种情况下,对治疗方案不敏感的患者会延误最佳手术时机,甚至导致疾病进展。因此,采取疗效引导的新辅助治疗模式,临床医生才能真正利用药敏信息,对治疗方案敏感的患者可继续原方案完成新辅助治疗,对方案不敏感的人群可及时终止既定方案,更换治疗策略,实现个体化治疗的目的。
现有的早期疗效评估方法有很多,包括传统影像学、功能影像学、病理标志物、血液学等指标,但是单个方法的预测效能尚不能满足临床需求,而且未能在早期得到满意的预测结果。国内外有许多关于构建疗效预测装置的研究,但许多都处于测试阶段,且操作繁琐,成本昂贵,不适合临床应用。因此,以核磁共振为基础,设计一种辅助装置,对乳腺癌患者接受第一周期新辅助治疗后能否获得pCR的预测结果来指导临床决策成为研究的方向。
发明内容
为了解决现有技术存在的不足,本发明提供了一种基于核磁共振的乳腺癌多参数临床决策辅助装置,其创建模块基于早期影像学特征,联合血液指标、基线特征、病理指标等多种参数,创建多种乳腺癌新辅助治疗的临床决策辅助模型,经过计算模块计算,分析模块对计算结果分析,以早期准确地识别pCR与non-pCR的患者,及时调整新辅助治疗策略,改善患者预后。
为了实现上述目的,本发明的一个实施方式的一种基于核磁共振的乳腺癌多参数临床决策辅助装置,其包括:
获取模块,用于获取决策辅助需求信息,所述决策辅助需求信息至少包括早期影像学特征,血液指标、基线特征、病理指标数据;
创建模块,用于创建决策辅助模型及评估模型;所述决策辅助模型为:
A= -2.913 + 1.004*a1 - 1.285*a2+ 2.066*a3 + 1.648*a4+ 1.215*a5+ 3.002*a6 - 1.094*a7
其中:A为决策辅助模型的计算结果,a1为数值转换策略下的组织学分级 ,a2为数值转换策略下的激素受体状态,a3为数值转换策略下的HER2状态,a4为数值转换策略下的中性粒细胞与淋巴细胞的比值,a5为数值转换策略下的血小板与中性粒细胞的比值,a6为第一周期治疗后的直径变化率,a7为早期强化率;
所述评估模型为:P=eA/(1+eA)
其中:A为决策辅助模型的计算结果,P为评估打分。
计算模块,用于利用所述决策辅助模型根据数值转换策略对所述决策辅助需求信息进行计算;
评估模块,用于利用所述评估模型对计算结果进行打分,并根据评估达标值对打分结果进行评估,所述评估达标值为P≥0.48;
反馈模块,用于返回评估结果。
进一步地,所述数值转换策略包括:
对于a1:组织学分级为1或2时,a1为0;组织学分级为3时,a1为1;
对于a2:激素受体状态根据ER和PR表达水平共同判断:当ER和PR均为0时,激素受体状态输入数值为“0”;当ER或PR为1时,激素受体状态输入数值为“1”;其中,ER未知或小于等于1%时,ER取值0;ER大于1%时,ER取值1;PR未知或小于等于1%时,PR取值0;PR大于1%时,PR取值1;
对于a3:HER2状态为阴性时,a3为0;HER2状态为阳性时,a3为1;
对于a4:中性粒细胞与淋巴细胞的比值≤1.65时,a4为0;比值>1.65时,a4为1;
对于a5:血小板/中性粒细胞的比值≤58.08时,a4为0;比值>58.08时,a4为1;
进一步地,所述直径变化率为:
直径变化率=(基线肿瘤大小 - 一个疗程后肿瘤大小)/ 基线肿瘤大小。
进一步地,所述早期强化率为:
早期强化率 =(较大数值-增强前信号强度) /增强前信号强度;
其中,较大数值为核磁共振的时间-信号增强曲线中60s后信号强度和120s后信号强度中的较大的数值。
进一步地,所述获取模块能够为智能终端的包括但不限于键盘、扫描、摄像之输入设备;所述智能终端包括但不限于计算机、手机及PAD。
进一步地,所述反馈模块能够为智能终端的显示屏幕或声音播报系统。
进一步地,装置各模块之间电连接或网络连接。
本发明的有益效果为:
1、本发明装置基于磁共振影像数据,结合临床、病理、血液学指标的指标构建的模型给予评估结果,具备多参数的特征,有利于客观进行评价预测;
2、本发明装置通过对比基线和新辅助化疗第一周期后MR参数数值变化的差异,能够实现动态预测的目的;
3、本发明装置的可操作性强,可很好地应用于临床实践;
4、本发明装置能够针对第一周期新辅助治疗后的患者进行疗效评估,实现了早期预测的目的。
附图说明
图1是本发明一种基于核磁共振的乳腺癌多参数临床决策辅助装置的结构示意图;
图2是本发明装置的一个实施例的分析的Logistic Regression逻辑回归曲线图;
图3是本发明装置的一个实施例检验效能的ROC曲线图。
图中:
10-临床决策辅助装置;101-获取模块;102-创建模块;103-计算模块;104-评估模块;105-反馈模块。
具体实施方式
为使本发明的目的、技术方案和优点更为清楚,下面结合附图1-3和实施例作进一步说明。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。
本发明研究的目的是提供一种装置,其基于早期影像学特征,联合血液指标、基线特征、病理指标等多种参数,利用创建模块构建乳腺癌新辅助治疗的临床决策辅助模型及评估模型,并经过计算模块计算及分析模块分析,提供基于核磁共振的乳腺癌多参数临床决策意见,以便早期准确地识别pCR与non-pCR的患者,及时调整新辅助治疗策略,改善患者预后。
可选地,在本实施例中,本发明的一种基于核磁共振的乳腺癌多参数临床决策辅助装置可以为能够实现本发明功能的多种智能终端,其获取模块可以为包括但不限于计算机、手机、PAD等的键盘、扫描、摄像等输入设备;其创建模块、计算模块及评估模块集成于计算机CPU或手机芯片中,创建的决策辅助模型及评估模型可以作为程序存储于计算机或手机的可读存储介质中;其反馈模块可以为智能终端的显示屏幕或声音播报系统,各模块之间电连接或网络连接。
如附图1所示,本发明提供一种基于核磁共振的乳腺癌多参数临床决策辅助装置,基于创建模块创建核磁共振多参数临床决策辅助模型(NeoMDSS)、计算模块计算及分析模块分析并进行评分,指导早期乳腺癌新辅助治疗方案调整策略。该临床决策辅助装置10包括:
获取模块101,用于获取决策辅助需求信息,决策辅助需求信息至少包括早期影像学特征,血液指标、基线特征、病理指标数据;
创建模块102,用于创建决策辅助模型及评估模型;
进一步地,创建模块创建的决策辅助模型为:
A= -2.913 + 1.004*a1 - 1.285*a2+ 2.066*a3 + 1.648*a4+ 1.215*a5+ 3.002*a6 - 1.094*a7
其中:A为决策辅助模型的计算结果,a1为数值转换策略下的组织学分级 ,a2为数值转换策略下的激素受体状态,a3为数值转换策略下的HER2状态,a4为数值转换策略下的中性粒细胞与淋巴细胞的比值,a5为数值转换策略下的血小板与中性粒细胞的比值,a6为第一周期治疗后的直径变化率,a7为早期强化率。
进一步地,数值转换策略包括:
对于a1:组织学分级为1或2时,a1为0;组织学分级为3时,a1为1;
对于a2:激素受体状态根据ER和PR表达水平共同判断:当ER和PR均为0时,激素受体状态输入数值为“0”;当ER或PR为1时,激素受体状态输入数值为“1”;其中,ER未知或小于等于1%时,ER取值0;ER大于1%时,ER取值1;PR未知或小于等于1%时,PR取值0;PR大于1%时,PR取值1;
对于a3:HER2状态为阴性时,a3为0;HER2状态为阳性时,a3为1;
对于a4:中性粒细胞与淋巴细胞的比值≤1.65时,a4为0;比值>1.65时,a4为1;
对于a5:血小板/中性粒细胞的比值≤58.08时,a4为0;比值>58.08时,a4为1;
进一步地,直径变化率为:
直径变化率=(基线肿瘤大小 - 一个疗程后肿瘤大小)/ 基线肿瘤大小。
进一步地,早期强化率为:
早期强化率 =(较大数值-增强前信号强度) /增强前信号强度;
其中,较大数值为核磁共振的时间-信号增强曲线的中60s后信号强度和120s后信号强度中的较大的数值。
进一步地,创建模块创建的评估模型为:
P=eA/(1+eA)
其中:A为决策辅助模型的计算结果,P为评估打分。进一步地,P的达标值为P≥0.48。
计算模块103,用于利用决策辅助模型根据数值转换策略对决策辅助需求信息进行计算;
评估模块104,用于利用评估模型对计算结果进行打分,并对打分结果进行评估;
反馈模块105,用于返回评估结果。
实际使用中,涉及以下参数及常识:
【基线】指标:
1.血常规:中性粒细胞(109/L):淋巴细胞(109/L):血小板(109/L):
2.核磁共振:肿瘤最大径(cm):穿刺病理 :组织学分级(G):1、2、3;
l ER表达水平(%):未知、≤1、>1;PR表达水平(%):未知、≤1、>1;
l HER2状态: 阴性、阳性;
【第一疗程后】核磁共振指标:
l 肿瘤最大径(cm)
l 时间-信号增强曲线:增强前信号强度:60s后信号强度:120s后信号强度。
数值转换策略:
1)组织学分级(G)数值为1或2时,默认数值为0;数值为3时,默认数值为1;
2)ER表达水平(%):数值为未知或≤1时,默认数值为0;数值为 >1时,默认数值为1;
PR表达水平(%):数值为未知或≤1时,默认数值为0;数值为 >1时,默认数值为1;
激素受体状态根据ER和PR表达水平共同判断:当ER和PR均为0时,激素受体状态输入数值为“0”;当ER或PR为1时,激素受体状态输入数值为“1”。
3)HER2状态: 阴性时,默认数值为0;阳性时,默认数值为1;
4)中性粒细胞/淋巴细胞:当值≤1.65,输入数值“0”;当值>1.65,输入数值“1”。
5)血小板/中性粒细胞:当值≤58.08,输入数值“0”;当值>58.08,输入数值“1”。
6)直径变化率=(基线肿瘤大小 - 一疗程后肿瘤大小)/ 基线肿瘤大小
7)挑选60s和120s中较大的数值
早期强化率( E) =(较大数值-增强前信号强度) /增强前信号强度
【结果输出】 预测评分是否达标,即是否能获得病理学完全缓解。
在本发明装置新辅助治疗方案下,根据NeoMDSS疗效预测评分:大于等于0.48患者若完成全疗程,容易获得病理学完全缓解;小于0.48患者难以获得病理学完全缓解,请临床医生结合患者情况综合评估调整治疗策略。
公式来源:
二分类问题是指给定一个输入特征向量,例如输入特征数值,通过算法识别它是否能获得病理完全缓解,算法能够输出预测,称之为预测值,也就是对实际值的估计。或者说,预测值表示实际值等于1的一种可能性或是置信度。现实应用中,通常用于判断分析某些条件下,事情是否会发生,或者评价是否达到某些标准。逻辑回归(LogisticRegression)模型是一种概率型预测性的建模技术,通过历史数据的表现对未来结果发生的概率进行预测,其基础方法是回归分析,指研究因变量(目标)和自变量(多个特征因素)的具体依赖关系的计算方法和理论,具体量化每个自变量的独特贡献来分析一组自变量对二元结果的影响,是建模和分析数据的重要工具。
Logistic Regression逻辑回归:
逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元(1 / 0,真/假,是/否)变量时,就应该使用逻辑回归,它通过创建一个新的因变量logit(P) 来形成这个模型。如果 P 是 X 给定特征下发生 1 的概率,那么 X 在任何值下1 与 0 的几率为 P/(1-P),logit(P) 是这个优势比(odds)的自然对数,定义:Logit(P) =ln[P/(1-P)] = ln(odds)。在逻辑回归中,我们求解 logit(P) = a + b X,其中 logit(P)是 X 的线性函数。 将等式两边同取自然对数的底,可得P/(1-P) = ea + bX,算的P= ea + bX/(1+ ea + bX)。该方程生成下面所示的曲线函数,P 是给定特征X的预测函数,当 a + bX 接近负无穷大时,P 公式中的分子接近零,因此 P 接近零。 当 a + bX 接近正无穷大时,P接近 1。 因此,函数以 0 和 1 为界,这是 P 的极限。
如附图2所示,在这些方程的背景下,逻辑回归通过迭代循环识别自变量的最强线性组合,这增加了检测观察到的结果的可能性——这个过程被称为最大似然估计。下一步,为了确保逻辑回归产生准确的模型,必须考虑的一些关键因素包括自变量选择和模型构建策略的选择。
变量选择:
虽然逻辑回归非常灵活,因为它可以适应不同的变量类型,包括连续的(例如,年龄)、有序的(例如,乳腺癌临床分期)和分类的(例如,组织学分级),但必须始终使用成熟的理论来证明变量选择的合理性,可以公认的理论、先前的实证研究、临床考虑和单变量统计分析等因素为指导。例如,可以根据之前的研究以及自己的临床经验,从大量潜在的独立变量开始,然后使用更宽松的 I 型错误率(例如,p = 0.1)使用单变量统计分析组之间的差异以确定哪些变量属于逻辑回归模型。另一个关键部分是承认和解释潜在混杂因素的作用。在这,混杂变量是指结果和另一个自变量的关系掩盖了该自变量与结果之间的真正关联的变量。例如,乳腺癌临床分期可能会混淆肿瘤最大径和淋巴结状态之间的关系,因为它与肿瘤最大径有关(即肿瘤越大的患者,其临床分期越高)。然而,由于这些因果关联可能并不明显,因此在变量选择过程中应正式评估它们,以确保它们被适当地表征并随后建模。切记,无论如何选择自变量,都必须始终满足进行逻辑回归的基本假设。 一种假设是误差独立,即所有样本组的结果彼此分开(即存在重复响应)。如果一个人的数据包括重复测量或其他相关结果,错误将类似地相关,并且违反假设。
样本计算:
每个自变量应该有足够数量的事件以避免过度拟合模型,通常推荐的最小“经验法则”范围为每个协变量 10 到 20 个事件,因为较高的比率往往会提高模型的有效性。因此,我们建模时共有140例样本,事件数有78例,NeoMDSS模型最终也纳入7个协变量。
自变量筛选方法——逐步回归分析
逐步回归分析方法的基本思路是自动从大量可供选择的变量中选取最重要的变量,建立回归分析的预测或者解释模型。其基本思想是:将自变量逐个引人,引入的条件是其偏回归平方和经检验后是显著的。同时,每引入一个新的自变量后,要对旧的自变量逐个检验,剔除偏回归平方和不显著的自变量。这样一直边引入边剔除,直到既无新变量引人也无旧变量删除为止,这时回归模型中所有变量对因变量都是显著的,它的实质是建立“最优”的多元线性回归方程。
模型检验效能的确定——绘制ROC曲线
ROC曲线的制作原理是将连续变量设定出多个不同的临界值,在每个临界值处计算出相应的灵敏度(sensitivity)和特异度(specificity),再以灵敏度为纵坐标,以1-特异度为横坐标绘制成曲线。灵敏度是指获得pCR的患者被某种方法预测为pCR的百分率,也叫真阳率;特异度是指未获得pCR的患者被某种方法预测为非pCR的百分率,也叫真阴性。使用任何一种检测方法通过“是”“否”来判断疾病都有可能出现以下四种情况:
1.真阳性(true positive,TP):获得pCR且预测结果为pCR;
2.假阴性(false negative,FN):获得pCR但预测结果为非pCR;
3.假阳性(falsepositive,FP):未获得pCR但预测结果为pCR;
4.真阴性(truenegative,TN):未获得pCR但预测结果为非pCR;
ROC分析,应用曲线下面积(Area under curve,AUC)这一综合统计量作定量分析,AUC介于1.0和0.5之间,AUC越接近于1,说明诊断效果越好:①AUC介于0.5~0.7时有较低准确性。②AUC介于0.7~0.9时有一定准确性。③AUC在0.9以上时有较高准确性。④AUC=0.5时,说明诊断方法完全不起作用,无诊断价值。
NeoMDSS模型的ROC曲线如附图3所示:AUC=0.874
确定临界值——约登指数:
由于ROC曲线是由多个代表各自灵敏度和特异度的临界值构成的,因此当需要确定诊断标准的时候必须从若干个临界值中选择一个最佳的临界点(最佳工作点,OptimalOperating Point)。每个临界值都有相应的灵敏度与特异度,因此最佳临界点应当是灵敏度与特异度的最佳组合。当某一临界值所对应的灵敏度与特异度都为1.0时,则说明该临界值对阳性以及阴性的准确率都达到了100%,这一个临界值自然是理想的最佳临界点,但是在临床现场或是研究中常常是很难达到这一水准的。因此,我们选择常用的标准之一——约登指数(Youden index)。它也称正确指数,是评价筛查试验真实性的方法,假设其假阴性(漏诊率)和假阳性(误诊率)的危害性同等意义时,即可应用约登指数。约登指数是灵敏度与特异度之和减去1,该值取最大值处就是最佳的界限。表示筛检方法发现真正的患者与非患者的总能力。指数越大说明筛查实验的效果越好,真实性越大。NeoMDSS模型的约登指数为0.48,故取0.48为临界值。
实际使用实施例:
本发明辅助装置的获取模块获取到某乳腺癌患者的原始指标如下:
组织学分级为2, ER表达90%,PR表达60%,HER2状态阴性,中性粒细胞为3.64*109/L,淋巴细胞为1.39*109/L,血小板为331*109/L,基线肿瘤大小为2.3cm,一疗程后肿瘤大小1.6cm,一疗程后早期强化率为2.50。
然后,计算模块根据数值转换策略相关指标转换结果如下:
组织学分级 → 0
ER→ 1%, PR →1%, 所以激素受体状态→1
HER2 →0
中性粒细胞/淋巴细胞 = 3.64/1.39 = 2.62 →1
血小板/中性粒细胞 = 331/3.64 = 90.93→1
直径变化率= (2.3-1.6)/2.3=0.30
早期强化率=2.50
计算模块将上述指标数据输入创建模块创建的决策辅助模型进行计算,如下:
A= -2.913 + 1.004*a1 - 1.285*a2+ 2.066*a3 + 1.648*a4+ 1.215*a5+ 3.002*a6 - 1.094*a7
= -2.913 + 1.004*0 - 1.285*1 + 2.066*0 + 1.648*1 + 1.215*1 + 3.002*0.3 - 1.094*2.50
= -3.156
评估模块将上述计算结果输入评估模型,结果如下:
p=ea/(1+ea) = e-3.156/(1+e-3.156)= 0.04
最后,反馈模块向使用者反馈出评估结果为p=0.04,反馈结果为不达标。
因为p<0.48,所以该患者经本发明的一种基于核磁共振的乳腺癌多参数临床决策辅助装置辅助分析,反馈结果为不达标,不能获得病理完全缓解。
根据临床实验,共获取实际140名乳腺癌患者的多参数特征值输入本发明的一种基于核磁共振的乳腺癌多参数临床决策辅助装置进行评估分析及验证,得到AUC=0,874,灵敏度0.77 ,特异度0.88,临界值为0.48。实验结果,本发明装置前瞻性验证69名患者NeoMDSS模型准确率达83 %,阳性预测值(即真阳性)为77% ,阴性预测值(即真阴性)为87%。说明本发明装置能够有效针对第一周期新辅助治疗后的患者进行疗效评估,实现了早期预测的目的,给乳腺癌的临床决策提供基于多参数的有效辅助。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (6)
1.一种基于核磁共振的乳腺癌多参数临床决策辅助装置,其特征在于,其包括:
获取模块,用于获取决策辅助需求信息,所述决策辅助需求信息至少包括早期影像学特征、血液指标、基线特征、病理指标数据;
创建模块,用于创建决策辅助模型及评估模型;所述决策辅助模型为:
A=-2.913+1.004*a1-1.285*a2+2.066*a3+1.648*a4+1.215*a5+
3.002*a6-1.094*a7
其中:A为决策辅助模型的计算结果,a1为数值转换策略下的组织学分级,a2为数值转换策略下的激素受体状态,a3为数值转换策略下的HER2状态,a4为数值转换策略下的中性粒细胞与淋巴细胞的比值,a5为数值转换策略下的血小板与中性粒细胞的比值,a6为第一周期治疗后的直径变化率,a7为早期强化率;
所述数值转换策略包括:
对于a1:组织学分级为1或2时,a1为0;组织学分级为3时,a1为1;
对于a2:激素受体状态根据ER和PR表达水平共同判断:当ER和PR均为0时,激素受体状态输入数值为“0”;当ER或PR为1时,激素受体状态输入数值为“1”;其中,ER未知或小于等于1%时,ER取值0;ER大于1%时,ER取值1;PR未知或小于等于1%时,PR取值0;PR大于1%时,PR取值1;
对于a3:HER2状态为阴性时,a3为0;HER2状态为阳性时,a3为1;
对于a4:中性粒细胞与淋巴细胞的比值≤1.65时,a4为0;比值>1.65时,a4为1;
对于a5:血小板/中性粒细胞的比值≤58.08时,a4为0;比值>58.08时,a4为1;
所述评估模型为:P=eA/(1+eA)
其中:A为决策辅助模型的计算结果,P为评估打分;
计算模块,用于利用所述决策辅助模型根据数值转换策略对所述决策辅助需求信息进行计算;
评估模块,用于利用所述评估模型对计算结果进行打分,并根据评估达标值对打分结果进行评估,所述评估达标值为P≥0.48;
反馈模块,用于返回评估结果。
2.根据权利要求1所述的基于核磁共振的乳腺癌多参数临床决策辅助装置,其特征在于,所述直径变化率为:
直径变化率=(基线肿瘤大小-一个疗程后肿瘤大小)/基线肿瘤大小。
3.根据权利要求1所述的基于核磁共振的乳腺癌多参数临床决策辅助装置,其特征在于,所述早期强化率为:
早期强化率=(较大数值-增强前信号强度)/增强前信号强度;
其中,较大数值为核磁共振的时间-信号增强曲线中的60s后信号强度和120s后信号强度中的较大的数值。
4.根据权利要求1所述的基于核磁共振的乳腺癌多参数临床决策辅助装置,其特征在于,所述获取模块能够为智能终端的包括但不限于键盘、扫描、摄像之输入设备;所述智能终端包括但不限于计算机、手机及PAD。
5.根据权利要求1或4所述的基于核磁共振的乳腺癌多参数临床决策辅助装置,其特征在于,所述反馈模块能够为智能终端的显示屏幕或声音播报系统。
6.根据权利要求1所述的基于核磁共振的乳腺癌多参数临床决策辅助装置,其特征在于,装置各模块之间电连接或网络连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327605.6A CN114649094B (zh) | 2022-03-30 | 2022-03-30 | 一种基于核磁共振的乳腺癌多参数临床决策辅助装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327605.6A CN114649094B (zh) | 2022-03-30 | 2022-03-30 | 一种基于核磁共振的乳腺癌多参数临床决策辅助装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114649094A CN114649094A (zh) | 2022-06-21 |
CN114649094B true CN114649094B (zh) | 2022-11-15 |
Family
ID=81995604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210327605.6A Active CN114649094B (zh) | 2022-03-30 | 2022-03-30 | 一种基于核磁共振的乳腺癌多参数临床决策辅助装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114649094B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376706B (zh) * | 2022-10-26 | 2023-04-07 | 杭州艾名医学科技有限公司 | 一种基于预测模型的乳腺癌药物方案的预测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105849565A (zh) * | 2012-10-17 | 2016-08-10 | 马润林 | Shon作为癌症预后生物标志物并预测癌症内分泌治疗的疗效 |
CN108112235A (zh) * | 2015-03-06 | 2018-06-01 | 克利夫兰临床基金会 | 改变类固醇代谢以用于治疗类固醇依赖性疾病 |
CN109439753A (zh) * | 2018-11-28 | 2019-03-08 | 四川大学华西医院 | 检测基因表达水平的试剂的应用以及乳腺癌患者nac疗效预测模型的构建方法 |
CN112185569A (zh) * | 2020-09-11 | 2021-01-05 | 中山大学孙逸仙纪念医院 | 一种乳腺癌患者无病生存期预测模型及其构建方法 |
CN112185546A (zh) * | 2020-09-23 | 2021-01-05 | 山东大学第二医院 | 一种用于乳腺癌患者预后预测的模型及建立方法 |
CN112489038A (zh) * | 2020-12-08 | 2021-03-12 | 天津科技大学 | 一种基于模糊聚类和广义最小二乘法的模糊模型乳腺癌诊断方法 |
CN112804936A (zh) * | 2018-06-14 | 2021-05-14 | 梅塔博洛米克斯股份有限公司 | 用于预测,诊断和预后包括癌症在内的各种疾病的代谢组学签名 |
CN112852968A (zh) * | 2021-04-08 | 2021-05-28 | 杨文琳 | 基于免疫相关lncRNA构建三阴性乳腺癌风险预测方法 |
CN113383091A (zh) * | 2018-09-27 | 2021-09-10 | 百欧恩泰诊断有限责任公司 | 乳腺癌的预测和预后方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015153948A2 (en) * | 2014-04-03 | 2015-10-08 | University Of Maryland, Baltimore | Microtentacle imaging in patient tumor samples |
CN117286217A (zh) * | 2016-08-25 | 2023-12-26 | 分析生物科学有限公司 | 用于检测dna样品中基因组拷贝变化的方法 |
WO2018233624A1 (zh) * | 2017-06-20 | 2018-12-27 | 和迈生物科技有限公司 | 抗Her2纳米抗体及其编码序列和用途 |
TW201920686A (zh) * | 2017-09-05 | 2019-06-01 | 美商葛利史東腫瘤科技公司 | 用於t細胞療法之新抗原鑑別 |
CN110923317A (zh) * | 2019-11-27 | 2020-03-27 | 福建省立医院 | 一种用于乳腺癌预后预测的方法及其引物组 |
-
2022
- 2022-03-30 CN CN202210327605.6A patent/CN114649094B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105849565A (zh) * | 2012-10-17 | 2016-08-10 | 马润林 | Shon作为癌症预后生物标志物并预测癌症内分泌治疗的疗效 |
CN108112235A (zh) * | 2015-03-06 | 2018-06-01 | 克利夫兰临床基金会 | 改变类固醇代谢以用于治疗类固醇依赖性疾病 |
CN112804936A (zh) * | 2018-06-14 | 2021-05-14 | 梅塔博洛米克斯股份有限公司 | 用于预测,诊断和预后包括癌症在内的各种疾病的代谢组学签名 |
CN113383091A (zh) * | 2018-09-27 | 2021-09-10 | 百欧恩泰诊断有限责任公司 | 乳腺癌的预测和预后方法 |
CN109439753A (zh) * | 2018-11-28 | 2019-03-08 | 四川大学华西医院 | 检测基因表达水平的试剂的应用以及乳腺癌患者nac疗效预测模型的构建方法 |
CN112185569A (zh) * | 2020-09-11 | 2021-01-05 | 中山大学孙逸仙纪念医院 | 一种乳腺癌患者无病生存期预测模型及其构建方法 |
CN112185546A (zh) * | 2020-09-23 | 2021-01-05 | 山东大学第二医院 | 一种用于乳腺癌患者预后预测的模型及建立方法 |
CN112489038A (zh) * | 2020-12-08 | 2021-03-12 | 天津科技大学 | 一种基于模糊聚类和广义最小二乘法的模糊模型乳腺癌诊断方法 |
CN112852968A (zh) * | 2021-04-08 | 2021-05-28 | 杨文琳 | 基于免疫相关lncRNA构建三阴性乳腺癌风险预测方法 |
Non-Patent Citations (6)
Title |
---|
A serum nuclear magnetic resonance-based metabolomic signature of advanced metastatic human breast cancer;Elodie Jobard 等;《Cancer Letters》;20140201;第343卷(第1期);第33-41页 * |
Evaluation of the use of therapeutic peptides for cancer treatment;Susan Marqus 等;《Journal of Biomedical Science》;20171231;第24卷(第1期);第1-15页 * |
乳腺癌新辅助化疗前后Ki67变化对疗效及预后的意义;张玉铃 等;《癌变•畸变•突变》;20210530;第33卷(第3期);第230-235页 * |
乳腺癌新辅助治疗病理完全缓解影响因素及预后分析;高国璇 等;《中国实用外科杂志》;20161101;第36卷(第11期);第1205-1210页 * |
建立模型预测乳腺癌新辅助化疗后腋窝淋巴结完全缓解率;彭璠臻;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20191115(第11期);第E072-280页 * |
面向非均衡数据的乳腺癌患者生存预测分析;白瑞思蒙;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20220315(第3期);第E072-883页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114649094A (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7326402B2 (ja) | 測定分析物を使用する、疾患診断を改善するための方法 | |
Tang et al. | A nomogram based on age, prostate-specific antigen level, prostate volume and digital rectal examination for predicting risk of prostate cancer | |
CN110634563A (zh) | 一种糖尿病肾病-非糖尿病肾病鉴别诊断装置 | |
CN109599181B (zh) | 一种在治疗前针对t3-larc患者的生存预测系统及预测方法 | |
CN114724716A (zh) | 进展为2型糖尿病的风险预测的方法、模型训练及装置 | |
CN114649094B (zh) | 一种基于核磁共振的乳腺癌多参数临床决策辅助装置 | |
CN115798712B (zh) | 一种诊断待测者是否是乳腺癌的系统以及生物标志物 | |
CN110916666B (zh) | 一种预测手术切除肝细胞癌复发的影像组学特征处理方法 | |
Ma et al. | Validation and comparison of five data mining algorithms using big data from clinical laboratories to establish reference intervals of thyroid hormones for older adults | |
Koskas et al. | Independent external validation of radiotherapy and its impact on the accuracy of a nomogram for predicting survival of women with endometrial cancer | |
CN116364268B (zh) | 一种新型基于惩罚cox回归的乳腺癌预测方法 | |
CN116978582A (zh) | 一种前列腺癌预测模型的建模方法及预测系统 | |
US20190331686A1 (en) | Methods and Systems for Determining the Risk of Developing Ovarian Cancer | |
Yulhendri et al. | Correlated Naïve Bayes Algorithm to Determine Healing Rate of Hepatitis Patients | |
Chen et al. | The added value of S-detect in the diagnostic accuracy of breast masses by senior and junior radiologist groups: a systematic review and meta-analysis | |
Huang et al. | A preoperative prediction of lymph node metastasis in early cervical squamous cell cancer with hematologica-based model | |
CN110070942A (zh) | 一种基于梯度提升树模型的慢性肝病风险评估系统 | |
CN111263965A (zh) | 利用测量分析物改善疾病诊断的系统和方法 | |
CN116052889B (zh) | 一种基于血液常规指标检测的sFLC预测系统 | |
Lofù et al. | MAFUS: a framework to predict mortality risk in MAFLD subjects | |
Tayob et al. | Personalized statistical learning algorithms to improve the early detection of cancer using longitudinal biomarkers | |
US20240071625A1 (en) | Nafld identification and prediction systems and methods | |
Wu | Breast Cancer Staging Prediction Based on Logistic Regression Model | |
Shah et al. | Recent Developments In Machine Learning Approach For Liver Disease Prediction | |
CN114898878A (zh) | 一种预测紫癜性肾炎发生风险的模型及其Nomogram图的构建方法 |
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 |