CN114927216A - 基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及系统 - Google Patents
基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及系统 Download PDFInfo
- Publication number
- CN114927216A CN114927216A CN202210463959.3A CN202210463959A CN114927216A CN 114927216 A CN114927216 A CN 114927216A CN 202210463959 A CN202210463959 A CN 202210463959A CN 114927216 A CN114927216 A CN 114927216A
- Authority
- CN
- China
- Prior art keywords
- treatment
- data
- neural network
- network model
- convolutional neural
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 48
- 201000001441 melanoma Diseases 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003384 imaging method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007170 pathology Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 102100040678 Programmed cell death protein 1 Human genes 0.000 description 49
- 101710089372 Programmed cell death protein 1 Proteins 0.000 description 49
- 206010028980 Neoplasm Diseases 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 8
- 238000003364 immunohistochemistry Methods 0.000 description 8
- 238000001574 biopsy Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 5
- 102000008096 B7-H1 Antigen Human genes 0.000 description 4
- 108010074708 B7-H1 Antigen Proteins 0.000 description 4
- 230000001225 therapeutic effect Effects 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010005003 Bladder cancer Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 241001620634 Roger Species 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000006990 cholangiocarcinoma Diseases 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-M hydroxide Chemical compound [OH-] XLYOFNOQVPJJNP-UHFFFAOYSA-M 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 208000008443 pancreatic carcinoma Diseases 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 201000005112 urinary bladder cancer Diseases 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H50/20—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了基于人工智能的黑素瘤患者PD‑1治疗疗效预测方法及系统,通过获取多个黑素瘤患者的病历数据、使用的PD‑1治疗方式及其对应的治疗疗效构建训练集;构建以黑素瘤患者的病历数据、使用的PD‑1治疗方式作为输入数据,以对应的治疗疗效为输出数据的卷积神经网络模型,并使用训练集训练卷积神经网络模型;将目标黑素瘤患者的病历数据、使用的PD‑1治疗方式输入到训练好的卷积神经网络模型中,得到目标黑素瘤患者的PD‑1治疗疗效。本发明弥补了目前PD‑1预测疗效的方法空白,使用神经网络模型构建了预测疗效的方案,可以给医生提供一种参考,辅助决策判断。
Description
技术领域
本发明涉及计算机辅助诊断领域,尤其涉及基于人工智能的黑素瘤患者PD-1治疗疗效预测方法及系统。
背景技术
PD-1治疗可广泛用于各个系统的肿瘤,且可较大程度延长患者的五年生存期。但目前对于PD-1治疗的疗效预测,对于各个系统的肿瘤,均未研发出准确、可靠、可在临床大范围推广使用的疗效预测方法。根据国家综合癌症网络(NCCN)肿瘤学临床实践指南,通过活检的免疫组织化学 (IHC) 确定的程序性死亡配体 1 (PD-L1) 表达状态是唯一经临床批准的用于预测PD-1治疗疗效的生物标志物。但由于肿瘤组织存在异质性,活检取出的部分肿瘤组织对于PD-1治疗疗效的预测可能产生较大的误差。且此种方法要求执行团队具有丰富的免疫学相关知识与技术体系,难以在医疗水平较低的医疗机构进行推广。同时活检是一种有创性的操作,活检的过程可能还会增加肿瘤播散的可能。此外,活检取得的组织可能无法使用,且存在免疫组化失败的可能。
其他与预后相关的影响因素如患者LDH水平、年龄、是否发生转移、癌症家族史等,虽在统计学上被证明与预后具有相关性,但尚未明确其中的机制,不能作为独立的可以预测PD-1治疗疗效的指标。
目前,基于影像组学和人工智能预测肿瘤患者的PD-1治疗疗效已经在肺癌、胰腺癌、胆管癌、膀胱癌等多个肿瘤中实现。基于形状、大小、体素强度和纹理的定量图像特征等的放射组学分析与肿瘤组织中的基因和蛋白质表达密切相关,但传统的影像学分析主要基于解剖学变化,严重依赖于医生的主观判断,因此基于B超、CT、MRI、PET-CT等多种影像学方法的人工智能PD-1治疗疗效预测模型已经被成功构建。
Roger Sun等人的研究表明,肿瘤及其外围的影像组学特征可以提供关于肿瘤及其微环境的信息,因此影像组学特征能够预测接受PD-1治疗的患者的临床结果。根据此原理,影像组学特征可用于预测包括黑素瘤在内的肿瘤患者对于PD-1治疗的临床结果。但目前基于影像组学和人工智能预测肿瘤患者的PD-1治疗疗效主要集中于肺癌等较为常见的肿瘤类型,且尚未出现将影像学信息、LDH等检验结果、病史资料、免疫组化等信息结合起来预测黑素瘤患者PD-1治疗疗效的模型。LDH、病史资料、免疫组化等信息虽无法作为独立的可以预测PD-1治疗疗效的指标,但多项研究在统计学上证明其与预后具有相关性,因此将这几项指标纳入输入项可以提高模型的准确性。
现有技术存在的主要问题在于:(1)通过活检的免疫组织化学确定程序性死亡配体 1 (PD-L1) 的表达状态从而预测疗效,由于肿瘤的异质性而具有较大的误差,且为有创性操作,同时对执行团队技术要求高;(2)活检取得的组织可能无法使用,且存在免疫组化失败的可能;(3)传统的影像学分析主要基于解剖学变化,严重依赖于医生的主观判断;(4)目前基于影像组学和人工智能预测肿瘤患者的PD-1治疗疗效主要集中于肺癌等较为常见的肿瘤类型。
发明内容
本发明提供了基于人工智能的黑素瘤患者PD-1治疗疗效预测方法及系统,用于解决传统的影像学分析依赖于影像科医生主观判断、客观性差的技术问题。
为解决上述技术问题,本发明提出的技术方案为:
一种基于人工智能的黑素瘤患者PD-1治疗疗效预测方法,包括以下步骤:
获取多个黑素瘤患者的病历数据、使用的PD-1治疗方式及其对应的治疗疗效数据构建训练集;
构建以黑素瘤患者的病历数据、使用的PD-1治疗方式作为输入数据,以对应的治疗疗效数据为输出数据的卷积神经网络模型,并使用所述训练集训练所述卷积神经网络模型;
将目标黑素瘤患者的病历数据、使用的PD-1治疗方式输入到训练好的所述卷积神经网络模型中,得到目标黑素瘤患者的PD-1治疗疗效。
优选的,所述病历数据包括:黑素瘤患者的病史资料、影像学信息、LDH以及病理学信息;所述卷积神经网络模型为多模态卷积神经网络模型。
优选的,所述多模态卷积神经网络模型以训练集的患者数据为基础进行深度学习,使用自主探索的高效算法对图像进行分割,经过特征提取和特征筛选后,将图像数据和结构化的病史资料、LDH、病理学信息、影像学信息共同作为输入项,并对不同模态的数据权重进行调整,构建疗效预测的最优模型。
优选的,所述述多模态卷积神经网络模型具体为KNN近邻学习模型。
一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明具有以下有益效果:
1、本发明中的基于人工智能的黑素瘤患者PD-1治疗疗效预测方法及系统,通过获取多个黑素瘤患者的病历数据、使用的PD-1治疗方式及其对应的治疗疗效构建训练集;构建以黑素瘤患者的病历数据、使用的PD-1治疗方式作为输入数据,以对应的治疗疗效为输出数据的卷积神经网络模型,并使用所述训练集训练所述卷积神经网络模型;将目标黑素瘤患者的病历数据、使用的PD-1治疗方式输入到训练好的所述卷积神经网络模型中,得到目标黑素瘤患者的PD-1治疗疗效。相比现有技术,本发明可以克服传统的影像学分析依赖于影像科医生主观判断、客观性差的缺点,使用无创的检查方法即可预测患者的疗效,在提高准确率的同时降低疗效预测的技术门槛,为临床上目前难以预判PD-1治疗疗效的黑素瘤患者提供一种疗效预测的方法,避免不必要的医疗负担,本发明弥补了目前PD-1预测疗效的方法空白,使用神经网络模型构建了预测疗效的方案,可以给医生提供一种参考,辅助决策判断。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的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。在附图中:
图1是本发明中基于人工智能的黑素瘤患者PD-1治疗疗效预测方法的流程图;
图2 是本发明优选实施例中的影像学信息和LDH信息的示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一:
如图1所示,本实施中公开了一种基于人工智能的黑素瘤患者PD-1治疗疗效预测方法,包括以下步骤:
获取多个黑素瘤患者的病历数据、使用的PD-1治疗方式及其对应的治疗疗效构建训练集;
构建以黑素瘤患者的病历数据、使用的PD-1治疗方式作为输入数据,以对应的治疗疗效为输出数据的卷积神经网络模型,并使用所述训练集训练所述卷积神经网络模型;
将目标黑素瘤患者的病历数据、使用的PD-1治疗方式输入到训练好的所述卷积神经网络模型中,得到目标黑素瘤患者的PD-1治疗疗效。
在优选方案中,本技术方案中的训练集中的病历数据为预设时间段的时序病历数据,即包括患者的不同时间阶段的病历数据,为增加预测的准确性,所述训练集中的训练数据还可以增加患者的生活习性、饮食习性等维度,此外,所述PD-1治疗方式包括PD-1治疗的治疗时间、药物种类、用药量以及用药方式。在训练集中,所述治疗疗效数据既可以为黑素瘤患者使用PD-1治疗后的病历数据,也可以由医生根据黑素瘤患者使用PD-1治疗后的病历数据得到的标定值。
此外,在本实施例中,还公开了一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明可以克服传统的影像学分析依赖于影像科医生主观判断、客观性差的缺点,使用无创的检查方法即可预测患者的疗效,在提高准确率的同时降低疗效预测的技术门槛,为临床上目前难以预判PD-1治疗疗效的黑素瘤患者提供一种疗效预测的方法,避免不必要的医疗负担。
实施例二:
实施例二是实施例一的优选实施例,其与实施例一的不同之处,对基于人工智能的黑素瘤患者PD-1治疗疗效预测方法的具体步骤进行了介绍,具体包括以下步骤:
本发明公开了一种基于人工智能的黑素瘤患者PD-1治疗疗效预测方法,具体步骤如下:
步骤一:数据收集
收集接受PD-1治疗的黑素瘤患者的病史资料(性别、年龄、诊断等)、影像学信息(B超图像,肿块的B超图像的特征如大小、形态、边界、回声分布,淋巴结的B超图像的特征如大小、形态、淋巴门是否消失、皮质是否增厚等)、LDH、病理学信息(Breslow厚度、溃疡有无、血管受累情况、免疫组化等),所有患者均经病理检查确诊为黑素瘤,并三名专业的皮肤科医生共同确定患者的PD-1治疗疗效,其中,影像学信息和LDH信息如图2所示。
步骤二:模型构建和训练
随即将患者分为训练集和验证集,基于卷积神经网络,以训练集的患者数据为基础进行深度学习,使用自主探索的高效算法对图像进行分割,经过特征提取和特征筛选后,将图像数据和结构化的病史资料、LDH、病理学信息、影像学信息共同作为输入项,并对不同模态的数据权重进行调整,构建疗效预测的最优模型。
步骤三:模型验证
以三名专业的皮肤科医生共同确定患者的PD-1治疗疗效为金标准,用验证集数据对模型准确性进行测试。评价指标为:模型对于疗效的预测和医生给出的结果相一致时判断为正确。
步骤四:可视化分析
模型构建成功后对模型进行分析,根据不同输入项对疗效预测的权重探寻无创性疗效预测的生物标志物,所占权重越大,则说明该项指标与PD-1治疗疗效的相关性越强。
步骤五:前瞻性研究
模型准确性经验证后,可进行前瞻性研究来验证本发明的准确性。对于即将要接受PD-1治疗的患者,在治疗前对患者的疗效进行预测,随后在治疗中观察患者对于PD-1治疗的反应,并对患者进行随访,由三名专业的皮肤科医生判断患者对于PD-1治疗的疗效,并与治疗前模型的预测结果进行对比。
步骤六:产品孵化
系统搭建成功后,可以本系统为基础,进一步开发APP或小程序,作为连接用户的端口,方便用户使用。
本发明相比现有技术具有以下特点:
(1)本发明对于疗效的预测为无创性,减轻患者检查过程中的痛苦的同时,克服了肿瘤异质性带来的误差,避免了检查过程中造成肿瘤细胞播散的情况的发生。
(2)本发明的使用对执行团队技术和设备要求较低,易于操作。
(3)利用人工智能克服了传统的影像学分析依赖于影像科医生主观判断、客观性差的缺点。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于人工智能的黑素瘤患者PD-1治疗疗效预测方法,其特征在于,包括以下步骤:
获取多个黑素瘤患者的病历数据、使用的PD-1治疗方式及其对应的治疗疗效数据构建训练集;
构建以黑素瘤患者的病历数据、使用的PD-1治疗方式作为输入数据,以对应的治疗疗效数据为输出数据的卷积神经网络模型,并使用所述训练集训练所述卷积神经网络模型;
将目标黑素瘤患者的病历数据、使用的PD-1治疗方式输入到训练好的所述卷积神经网络模型中,得到目标黑素瘤患者的PD-1治疗疗效。
2.根据权利要求1所述的基于人工智能的黑素瘤患者PD-1治疗疗效预测方法,其特征在于,所述病历数据包括:黑素瘤患者的病史资料、影像学信息、LDH以及病理学信息;所述卷积神经网络模型为多模态卷积神经网络模型。
3.根据权利要求1所述的基于人工智能的黑素瘤患者PD-1治疗疗效预测方法,其特征在于,所述多模态卷积神经网络模型以训练集的患者数据为基础进行深度学习,使用自主探索的高效算法对图像进行分割,经过特征提取和特征筛选后,将图像数据和结构化的病史资料、LDH、病理学信息、影像学信息共同作为输入项,并对不同模态的数据权重进行调整,构建疗效预测的最优模型。
4.根据权利要求3所述的基于人工智能的黑素瘤患者PD-1治疗疗效预测方法,其特征在于,所述述多模态卷积神经网络模型具体为KNN近邻学习模型。
5.一种计算机系统,包括存储器、处理器以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计算机程序时实现上述权利要求1至4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210463959.3A CN114927216A (zh) | 2022-04-29 | 2022-04-29 | 基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210463959.3A CN114927216A (zh) | 2022-04-29 | 2022-04-29 | 基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114927216A true CN114927216A (zh) | 2022-08-19 |
Family
ID=82807561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210463959.3A Pending CN114927216A (zh) | 2022-04-29 | 2022-04-29 | 基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114927216A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111370128A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院(上海市职业病防治院) | 一种肺癌患者预后预测系统及方法 |
CN112365980A (zh) * | 2020-11-16 | 2021-02-12 | 复旦大学附属华山医院 | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 |
US20220028551A1 (en) * | 2020-07-24 | 2022-01-27 | Onc.Ai, Inc. | Predicting response to immunotherapy treatment using deep learning analysis of imaging and clinical data |
CN114159071A (zh) * | 2021-12-22 | 2022-03-11 | 南昌大学 | 一种基于心电图像的帕金森预测智能化方法及系统 |
CN114359666A (zh) * | 2021-12-28 | 2022-04-15 | 清华珠三角研究院 | 多模态融合的肺癌患者疗效预测方法、系统、装置及介质 |
-
2022
- 2022-04-29 CN CN202210463959.3A patent/CN114927216A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111370128A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院(上海市职业病防治院) | 一种肺癌患者预后预测系统及方法 |
US20220028551A1 (en) * | 2020-07-24 | 2022-01-27 | Onc.Ai, Inc. | Predicting response to immunotherapy treatment using deep learning analysis of imaging and clinical data |
CN112365980A (zh) * | 2020-11-16 | 2021-02-12 | 复旦大学附属华山医院 | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 |
CN114159071A (zh) * | 2021-12-22 | 2022-03-11 | 南昌大学 | 一种基于心电图像的帕金森预测智能化方法及系统 |
CN114359666A (zh) * | 2021-12-28 | 2022-04-15 | 清华珠三角研究院 | 多模态融合的肺癌患者疗效预测方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11869202B2 (en) | Method and system for processing multi-modality image | |
CN102652317B (zh) | 用于连续存储以及联合分析图像和非图像医学数据的诊断技术 | |
US7606405B2 (en) | Dynamic tumor diagnostic and treatment system | |
JP6220310B2 (ja) | 医用画像情報システム、医用画像情報処理方法及びプログラム | |
US20160321414A1 (en) | Diagnostic Test Planning | |
CN111445946B (zh) | 一种利用pet/ct图像推算肺癌基因分型的演算方法 | |
CN108694718A (zh) | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 | |
US8929625B2 (en) | Method and device for side-effect prognosis and monitoring | |
WO2006119340A2 (en) | Dynamic tumor diagnostic and treatment system | |
Meng et al. | Artificial intelligence-based radiomics in bone tumors: Technical advances and clinical application | |
Champendal et al. | Artificial intelligence to support person-centred care in breast imaging-A scoping review | |
Zhang et al. | A deep learning model for the differential diagnosis of benign and malignant salivary gland tumors based on ultrasound imaging and clinical data | |
CN114613498B (zh) | 一种基于机器学习的辅助mdt临床决策方法、系统及设备 | |
CN110415820A (zh) | 基于大数据的非小细胞肺癌评估方法、装置和电子设备 | |
CN114927216A (zh) | 基于人工智能的黑素瘤患者pd-1治疗疗效预测方法及系统 | |
CN110163195A (zh) | 肝癌分群预测模型、其预测系统以及肝癌分群判断方法 | |
CN112233058A (zh) | 一种头颈部ct影像中淋巴结检测的方法 | |
CN115619810B (zh) | 一种前列腺分区分割方法、系统及设备 | |
RU2814146C1 (ru) | Способ определения вероятности актг-эктопированного синдрома у пациентов c актг-зависимым эндогенным гиперкортицизмом | |
Blažetić et al. | Radiomics and Radiogenomics | |
Kamel | Brain Tumor Growth Modelling. | |
Neto | Analysis of interpretability methods applied to DCE-MRI of Breasts Images | |
Akmakchi et al. | Geometric Analysis Of Brain Pathology Using MRI For Tumor Diagnosis | |
Rajesh et al. | Artificial Intelligence and Deep Learning Based Brain Tumor Detection Using Image Processing | |
Siegersma | The implementation and feasibility of Radiomics in an Aortic Stenosis patient cohort |
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 |