CN115067978A - 一种骨肉瘤疗效评估方法及系统 - Google Patents
一种骨肉瘤疗效评估方法及系统 Download PDFInfo
- Publication number
- CN115067978A CN115067978A CN202210659717.1A CN202210659717A CN115067978A CN 115067978 A CN115067978 A CN 115067978A CN 202210659717 A CN202210659717 A CN 202210659717A CN 115067978 A CN115067978 A CN 115067978A
- Authority
- CN
- China
- Prior art keywords
- osteosarcoma
- image
- clinical
- characteristic information
- omics
- 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.)
- Granted
Links
- 201000008968 osteosarcoma Diseases 0.000 title claims abstract description 175
- 230000000694 effects Effects 0.000 title claims abstract description 90
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 238000002512 chemotherapy Methods 0.000 claims abstract description 50
- 238000003384 imaging method Methods 0.000 claims abstract description 47
- 238000011282 treatment Methods 0.000 claims abstract description 30
- 238000007477 logistic regression Methods 0.000 claims abstract description 23
- 238000009098 adjuvant therapy Methods 0.000 claims abstract description 20
- 206010028980 Neoplasm Diseases 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 22
- 206010054094 Tumour necrosis Diseases 0.000 claims description 18
- 210000004872 soft tissue Anatomy 0.000 claims description 18
- 210000000988 bone and bone Anatomy 0.000 claims description 17
- 230000002980 postoperative effect Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 8
- 206010034156 Pathological fracture Diseases 0.000 claims description 7
- 208000005250 Spontaneous Fractures Diseases 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 description 10
- 230000008901 benefit Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000001356 surgical procedure Methods 0.000 description 8
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 7
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 7
- 238000002271 resection Methods 0.000 description 5
- 230000004083 survival effect Effects 0.000 description 4
- 210000004881 tumor cell Anatomy 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000013211 curve analysis Methods 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 206010028851 Necrosis Diseases 0.000 description 2
- 238000011226 adjuvant chemotherapy Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 238000011227 neoadjuvant chemotherapy Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011248 postoperative chemotherapy Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229940044683 chemotherapy drug Drugs 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000007704 transition Effects 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
- A61B6/52—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
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种骨肉瘤疗效评估方法，包括根据预先采集的若干骨肉瘤患者的CT影像数据，获取骨肉瘤影像组学特征，并对骨肉瘤影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型；根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型；根据所述影像组学预测模块和所述临床特征预测模型，通过Logistic回归模型建立综合预测模型，并通过所述综合预测模型对欲评估的骨肉瘤患者的疗效进行评估。本发明能够精准、简便、非有创性的对骨肉瘤患者术前NCA化疗疗效进行评估。
Description
技术领域
本发明涉及影像学技术领域，具体来说，涉及一种骨肉瘤疗效评估方法及系统。
背景技术
骨肉瘤好发于青少年，恶性程度高，预后较差。新辅助化疗（Neoadjuvantchemotherapy，NAC）的引入，使骨肉瘤患者的5年生存率从＜20%提高到＞60%，保肢率从10%-20%提高到80%-90%，大大改善了患者的生存期和生存质量。骨肉瘤NAC始于20世纪70年代，众多数据均显示，NAC能够有效降低术后复发率。
近20年来，随着临床手术技术的提高、新辅助化疗的应用、对骨肉瘤分子、基因水平发病机制的不断研究，很大程度上延长了生存时间，提高了保肢的概率；在2002年，Fletcher等学者报道了骨肉瘤患者的5年生存率已由10%-20%上升到70%-80%，由于术前进行新辅助化疗的结果，同时也提高保肢手术的成功率。手术前新辅助化疗联合保肢手术是骨肉瘤临床治疗方式转变的一个里程碑。
即使术前化疗等新的治疗方式不断进步，但仍有20%-30%的骨肉瘤患者预后较差，可能是因为术前化疗疗效不够理想，其中一个原因是由于肿瘤耐药，而另一个重要原因是不能准确评价化疗疗效，有时会耽误调整化疗方案，也会影响化疗疗效。术前准确的评估骨肉瘤化疗效果对临床医生和患者都非常重要，这能够提醒对化疗药物不敏感患者，及时调整化疗方案，预测患者预后。
肿瘤坏死率（Tumor Necrosis Rate，TNR）是评估骨肉瘤对化疗的敏感程度及化疗效果的金标准。但在临床实际应用中存在很大限度，比如说TNR只能在肿瘤切除术后测定，费用昂贵，检测时间长，检测过程复杂，具有一定的滞后性，并不能很好的指导术后化疗。此外，TNR只能在手术切除后的标本中才能进行评估，导致只能在术后根据化疗反应更换疗效欠佳患者的术后化疗方案，而临床上化疗策略是治疗前制定或者根据治疗过程中对骨肉瘤的不良反应来调整的，因此，寻求一种术前可检测、简便、准确的评估骨肉瘤术前化疗疗效及预后的评价方案，已经成为临床上最迫切需要解决的问题。
发明内容
针对相关技术中的问题，本发明提出一种骨肉瘤疗效评估方法及系统，能够精准、简便、非有创性的对骨肉瘤患者术前NCA化疗疗效进行评估。
本发明的技术方案是这样实现的：
根据本发明的一方面，提供了一种骨肉瘤疗效评估方法。
该骨肉瘤疗效评估方法包括：
根据预先采集的若干骨肉瘤患者的CT影像数据，获取骨肉瘤影像组学特征，并对骨肉瘤影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型；
根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型；
根据所述影像组学预测模块和所述临床特征预测模型，通过Logistic回归模型建立综合预测模型，并通过所述综合预测模型对欲评估的骨肉瘤患者的疗效进行评估。
此外，该骨肉瘤疗效评估方法还包括：
预先采集若干骨肉瘤患者的CT影像数据和临床特征数据以及术后肿瘤坏死率，并根据所述术后肿瘤坏死率，将所述CT影像数据和所述临床特征数据分为化疗有效组和化疗无效组；
将所述化疗有效组和所述化疗无效组的数据，按照预定比例阈值分为训练集和验证集；
其中，所述训练集用于获取骨肉瘤的影像组学特征和影响新辅助治疗疗效的临床特征信息；所述验证集用于对综合预测模型进行疗效验证。
另外，该骨肉瘤疗效评估方法还包括：
在根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型之前，对得到的骨肉瘤影像组学特征信息进行归一化处理。
其中，对骨肉瘤的影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型包括：对骨肉瘤的影像组学特征进行分割，得到骨肉瘤影像组学特征信息；根据骨肉瘤影像组学特征信息，基于LASSO-LR分类器选择出影响新辅助治疗疗效的骨肉瘤影像组学特征信息；根据所述骨肉瘤影像组学特征信息，通过LASSO-Logistic回归模型建立影像组学预测模型。
其中，根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型包括：根据预先采集的若干骨肉瘤患者的临床特征数据，基于Logistic单因素分析筛选出影响新辅助治疗疗效的临床特征信息；根据所述临床特征信息，通过Logistic回归模型建立临床特征预测模型。
其中，所述CT影像数据包括CT平扫骨窗影像数据、CT平扫软组织窗影像数据以及增强CT影像数据；所述影像组学预测模型包括CT平扫骨窗单期影像模型、CT平扫软组织窗单期影像模型以及CT增强单期影像模型；所述临床特征数据包括肿瘤位置、肿瘤体积、ALP、病理性骨折、初诊时状态、手术方式、临床肿瘤分期和组织病理学分级。
根据本发明的另一方面，提供了一种骨肉瘤疗效评估系统。
该骨肉瘤疗效评估系统包括：
影像模型建立模块，用于根据预先采集的若干骨肉瘤患者的CT影像数据，获取骨肉瘤影像组学特征，并对骨肉瘤影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型；
临床模型建立模块，用于根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型；
综合模型评估模块，用于根据所述影像组学预测模块和所述临床特征预测模型，通过Logistic回归模型建立综合预测模型，并通过所述综合预测模型对欲评估的骨肉瘤患者的疗效进行评估。
此外，该骨肉瘤疗效评估系统还包括：
预先采集模块，用于预先采集若干骨肉瘤患者的CT影像数据和临床特征数据以及术后肿瘤坏死率，并根据所述术后肿瘤坏死率，将所述CT影像数据和所述临床特征数据分为化疗有效组和化疗无效组；
分组模块，用于将所述化疗有效组和所述化疗无效组的数据，按照预定比例阈值分为训练集和验证集，其中，所述训练集用于获取骨肉瘤的影像组学特征和影响新辅助治疗疗效的临床特征信息；
验证模块，用于利用验证集对综合预测模型进行疗效验证。
另外，该骨肉瘤疗效评估系统还包括：归一化处理模块，用于在根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型之前，对得到的骨肉瘤影像组学特征信息进行归一化处理。
其中，所述影像模型建立模块包括特征分割子模块、特征选择子模块和影像模型建立子模块，特征分割子模块，用于对骨肉瘤的影像组学特征进行分割，得到骨肉瘤影像组学特征信息；特征选择子模块，用于根据骨肉瘤影像组学特征信息，基于LASSO-LR分类器选择出影响新辅助治疗疗效的骨肉瘤影像组学特征信息；影像模型建立子模块，用于根据所述骨肉瘤影像组学特征信息，通过LASSO-Logistic回归模型建立影像组学预测模型。
其中，所述临床模型建立模块包括特征筛选子模块和临床模型建立子模块，特征筛选子模块，用于根据预先采集的若干骨肉瘤患者的临床特征数据，基于Logistic单因素分析筛选出影响新辅助治疗疗效的临床特征信息；临床模型建立子模块，用于根据所述临床特征信息，通过Logistic回归模型建立临床特征预测模型。
其中，所述CT影像数据包括CT平扫骨窗影像数据、CT平扫软组织窗影像数据以及增强CT影像数据；所述影像组学预测模型包括CT平扫骨窗单期影像模型、CT平扫软组织窗单期影像模型以及CT增强单期影像模型；所述临床特征数据包括肿瘤位置、肿瘤体积、ALP（碱性磷酸酶）、病理性骨折、初诊时状态、手术方式、临床肿瘤分期和组织病理学分级。
有益效果：本发明通过回归模块建立了预测模型，从而能够准确的、简便的、非有创性的对骨肉瘤患者术前NCA化疗疗效进行评估，为临床治疗疗效的早期评估与修整治疗方案提供依据，可以尽早改善患者生活质量，减轻家庭和社会负担，同时还能够节约患者医疗成本和治疗时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的骨肉瘤疗效评估方法的流程示意图；
图2是根据本发明实施例的骨肉瘤疗效评估系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种骨肉瘤疗效评估方法及系统。
如图1所示，根据本发明实施例的骨肉瘤疗效评估方法包括：
步骤S101，根据预先采集的若干骨肉瘤患者的CT影像数据，获取骨肉瘤影像组学特征，并对骨肉瘤影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型；
步骤S103，根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型；
步骤S105，根据所述影像组学预测模块和所述临床特征预测模型，通过Logistic回归模型建立综合预测模型，并通过所述综合预测模型对欲评估的骨肉瘤患者的疗效进行评估。
在一个实施例中，该骨肉瘤疗效评估方法还包括：预先采集若干骨肉瘤患者的CT影像数据和临床特征数据以及术后肿瘤坏死率，并根据所述术后肿瘤坏死率，将所述CT影像数据和所述临床特征数据分为化疗有效组和化疗无效组；将所述化疗有效组和所述化疗无效组的数据，按照预定比例阈值分为训练集和验证集；其中，所述训练集用于获取骨肉瘤的影像组学特征和影响新辅助治疗疗效的临床特征信息；所述验证集用于对综合预测模型进行疗效验证。
具体的，收集和处理患者的CT常规数据（平扫骨窗、平扫软组织窗、增强）、临床特征数据以及术后肿瘤坏率（TNR），根据Huvos分级标准，将所有数据分为两组，分别为化疗有效组和化疗无效组。上述数据中按比例将患者分成训练组和验证组，训练集用于筛选特征并建立预测模型，验证集用于进行模型验证、评价。
同时，在一个实施例中，为了避免不同扫描CT仪器中不同参数设置造成的灰度不均匀性，该骨肉瘤疗效评估方法还可包括：在根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型之前，对得到的骨肉瘤影像组学特征信息进行归一化处理。具体的，在进行特征选择之前对所有影像组学特征进行归一化处理，以标准化患者的体素大小；为使每个区域提取表征肿瘤强度和结构的放射学特征，对肿瘤区域进行8个方向的小波变换，实现肿瘤的多维定量，让提取的特征值均归一化至[0,1]。
此外，在一个实施例中，在对骨肉瘤的影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型时，可对骨肉瘤的影像组学特征进行分割，得到骨肉瘤影像组学特征信息；并根据骨肉瘤影像组学特征信息，基于LASSO-LR分类器选择出影响新辅助治疗疗效的骨肉瘤影像组学特征信息；根据所述骨肉瘤影像组学特征信息，通过LASSO-Logistic回归模型建立影像组学预测模型。
另外，在一个实施例中，在根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型时，可根据预先采集的若干骨肉瘤患者的临床特征数据，基于Logistic单因素分析筛选出影响新辅助治疗疗效的临床特征信息；并根据所述临床特征信息，通过Logistic回归模型建立临床特征预测模型。
具体应用时，所述CT影像数据包括CT平扫骨窗影像数据、CT平扫软组织窗影像数据以及增强CT影像数据；所述影像组学预测模型包括CT平扫骨窗单期影像模型、CT平扫软组织窗单期影像模型以及CT增强单期影像模型；所述临床特征数据包括肿瘤位置、肿瘤体积、ALP、病理性骨折、初诊时状态、手术方式、临床肿瘤分期和组织病理学分级。
如图2所示，根据本发明实施例的一种骨肉瘤疗效评估系统，包括：
影像模型建立模块201，用于根据预先采集的若干骨肉瘤患者的CT影像数据，获取骨肉瘤影像组学特征，并对骨肉瘤影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型；
临床模型建立模块203，用于根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型；
综合模型评估模块205，用于根据所述影像组学预测模块和所述临床特征预测模型，通过Logistic回归模型建立综合预测模型，并通过所述综合预测模型对欲评估的骨肉瘤患者的疗效进行评估。
对应的，在一个实施例中，该骨肉瘤疗效评估系统还包括：预先采集模块（图中未示出），用于预先采集若干骨肉瘤患者的CT影像数据和临床特征数据以及术后肿瘤坏死率，并根据所述术后肿瘤坏死率，将所述CT影像数据和所述临床特征数据分为化疗有效组和化疗无效组；分组模块（图中未示出），用于将所述化疗有效组和所述化疗无效组的数据，按照预定比例阈值分为训练集和验证集，其中，所述训练集用于获取骨肉瘤的影像组学特征和影响新辅助治疗疗效的临床特征信息；验证模块（图中未示出），用于利用验证集对综合预测模型进行疗效验证。
对应的，在一个实施例中，为了避免不同扫描CT仪器中不同参数设置造成的灰度不均匀性，该骨肉瘤疗效评估系统还包括：归一化处理模块（图中未示出），用于在根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型之前，对得到的骨肉瘤影像组学特征信息进行归一化处理。
对应的，在一个实施例中，所述影像模型建立模块201包括特征分割子模块（图中未示出）、特征选择子模块（图中未示出）和影像模型建立子模块（图中未示出），特征分割子模块，用于对骨肉瘤的影像组学特征进行分割，得到骨肉瘤影像组学特征信息；特征选择子模块，用于根据骨肉瘤影像组学特征信息，基于LASSO-LR分类器选择出影响新辅助治疗疗效的骨肉瘤影像组学特征信息；影像模型建立子模块，用于根据所述骨肉瘤影像组学特征信息，通过LASSO-Logistic回归模型建立影像组学预测模型。
对应的，在一个实施例中，所述临床模型建立模块203包括特征筛选子模块（图中未示出）和临床模型建立子模块（图中未示出），特征筛选子模块，用于根据预先采集的若干骨肉瘤患者的临床特征数据，基于Logistic单因素分析筛选出影响新辅助治疗疗效的临床特征信息；临床模型建立子模块，用于根据所述临床特征信息，通过Logistic回归模型建立临床特征预测模型。
具体应用时，所述CT影像数据包括CT平扫骨窗影像数据、CT平扫软组织窗影像数据以及增强CT影像数据；所述影像组学预测模型包括CT平扫骨窗单期影像模型、CT平扫软组织窗单期影像模型以及CT增强单期影像模型；所述临床特征数据包括肿瘤位置、肿瘤体积、ALP（碱性磷酸酶）、病理性骨折、初诊时状态、手术方式、临床肿瘤分期和组织病理学分级。
为了方便理解本发明的上述技术方案，以下从具体样例及原理的角度对本发明的上述技术方案进行详细说明。
具体应用时，骨肉瘤疗效评估方法包括以下步骤：
数据收集：收集骨肉瘤患者治疗前基线临床信息(如年龄、性别、肿瘤位置、肿瘤体积、ALP、病理性骨折、初诊时状态(局灶性或转移性)、手术方式、临床肿瘤分期、组织病理学分级)、患者的CT常规数据（平扫骨窗、平扫软组织窗、增强）以及术后肿瘤坏率（TNR），肿瘤体积通过CT图像测量获得。根据Huvos分级标准，将所有数据分为两组，分别为化疗有效组和化疗无效组。并根据8:2的比例将患者分成训练集和验证集；在训练集中筛选特征并建立模型，在验证集进行模型验证、评价。
入、排标准：患者入组标准：①确诊为骨肉瘤患者；②入组前均行穿刺活检，病理确诊均为骨肉瘤；③入组前，所有患者无手术切除史及放、化疗史；④新辅助化疗前行CT平扫及增强检查，无CT增强扫描禁忌症者；⑤手术前均接受规范的新辅助化疗；⑥同意手术切除。排除标准：①术前未能接受2次CT平扫及增强检查；②术前未同意行统一、规范的新辅助化疗；③不同意手术切除治疗者；④患者资料不完整、不准确。
坏死率评估：所有患者在NAC后均行肿瘤切除，将术后切除所得的肿瘤组织进行取材制片，随机切取2-3张病理切片，并在显微镜随机选取5个视野进行观察，分别计数存活的肿瘤细胞。如果未发现存活的肿瘤，则检查整张病理切片，寻找切片存活的肿瘤细胞并行计数。设每个视野计数存活肿瘤细胞N，镜下视野肿瘤细胞为M，以N和M计算肿瘤坏死率=(1-N／M)×100％，从而计算每一视野的肿瘤坏死率，然后取其平均值，以此表示整个肿瘤区域的坏死率。本发明规定当肿瘤坏死率大于或等于90％时为化疗反应良好(pGR)；当肿瘤坏死率小于90％时为化疗反应不佳(non-pGR)。
肿瘤分割：采用ITK-SNAP软件进行ROI勾画。由2名医生分别进行分割，提取影像组学特征；计算观察者间和观察者内相关系数（intra-and-interclass correlationcoefficient, ICC），ICC＞0.75表明一致性良好。
影像组学特征提取：使用开源的python语言环境的PY-RADIOMICS工具包对CT常规扫描图像（平扫骨窗、平扫软组织窗、增强）分别进行特征提取获得影像组学特征数据，包括：①基础特征：包括19个强度特征、16个形状特征、10个2D形状特征，16个灰度共生矩阵(GLCM)特征、14个灰度行程矩阵(GLRLM)特征、16个灰度级区域大小矩阵(GLSZM)特征和5个相邻灰度矩阵(NGTDM)；②高级特征：包括小波变换后，再次提取的强度特征、灰度共生矩阵特征、灰度行程矩阵特征进和灰度级区域大小矩阵中的一种或多种。其中，具有代表性的是灰度共生矩阵(GLCM)算法，其通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和它们排列规则的基础。具体的，高级特征在基础特征上发展变化而来。
图像归一化处理：为避免不同扫描CT仪器中不同参数设置造成的灰度不均匀性，在进行特征选择之前对所有影像组学特征进行归一化处理，以标准化患者的体素大小；为使每个区域提取表征肿瘤强度和结构的放射学特征，对肿瘤区域进行8个方向的小波变换，实现肿瘤的多维定量，让提取的特征值均归一化至[0,1]。
模型构建：模型构建包括：基于CT影像特征建立骨肉瘤NCA疗效评估的预测模型、基于临床特征建立骨肉瘤NCA疗效评估的预测模型以及建立综合预测模型，其中，
(1)、基于CT影像特征建立骨肉瘤NCA疗效评估的预测模型；利用LASSO对训练组队列骨肉瘤患者CT常规图像（平扫骨窗、平扫软组织窗、增强）的2107个特征进行筛选，得到最具有预测效能的影像学特征。首先利用LASSO-Logistic回归分别从训练组队列的平扫骨窗、平扫软组织窗、增强图像中分别筛选出了20、21和20个关键影像组学特征。然后基于LASSO利用Logistic回归建立单序列影像组学预测模型，所述影像组学预测模型包括：CT平扫骨窗单期影像模型、CT平扫软组织窗单期影像模型和CT增强单期影像模型。
在训练集和验证集中，使用Mann—Whitney U检验来评估Rad-score和NAC化疗反应之间的关系。在训练集中，使用ROC曲线来评估不同模型的准确度，并在验证集中进行验证。CT平扫骨窗单期影像模型在训练集和验证集中预测NAC疗效好AUC结果分别为0.96、0.93、CT平扫软组织窗单期影像模型在训练集和验证集中预测NAC疗效好AUC结果分别为0.97、0.89；CT增强单期影像模型在训练集和验证集中预测NAC疗效好AUC结果分别为0.97、0.86。随后，绘制影像组学标签的校准曲线以评估构建的模型预测的化疗反应与实际化疗反应结果间的一致性。进一步地，基于LASSO-Logistic建立联合CT平扫、CT平扫软组织窗和CT增强模型的多期像预测模型。CT多期像预测模型预测效能比各单序列影像预测模型好，AUC结果分别为0.98、0.95。因此，选择多多CT期像预测模型进行下一步综合预测模型的建立。采用决策曲线分析(Decisioncun，eanalysis，DCA)和临床影响曲线(ClinicalimpactcurVe，CIC)通过计算不同阈值概率下的净效益，以确定的影像组学模型的临床获益，这一分析有助于确定基于影像组学标签预测的骨肉瘤NAC疗效情况对制定个性化的治疗策略所获得的益处。
(2)、基于临床特征建立骨肉瘤NCA疗效评估的预测模型
采用独立样本检验比较不同组间连续变量是否存在统计学差异。采用卡方检验比较二分类变量在各组间的差异是否存在统计学意义。统计结果显示，肿瘤位置、病理性骨折、临床肿瘤分期、组织病理学分级与NAC呈显著正相关。利用逻辑回归模型Logistic回归建立基于临床特征预测NAC疗效反应良好的预测模型。
(3)、综合预测模型
通过R语言软件进行多因素分析构建预测NAC疗效反应模型。多因素分析结果显示，CT多期像预测模型和临床特征预测模型是预测骨肉瘤NAC疗效反应良好的独立预测因子。把CT多期像预测模型和临床特征预测模型，通过运用基于LASSO-Logistic算法建立的综合预测模型。在训练集和验证集的预测效能最高，AUC结果分别为0 .88、0 .85。
采用决策曲线分析(Decisioncun，eanalysis，DCA)和临床影响曲线(Clinicalimpact curVe，CIC)通过计算不同阈值概率下的净效益，以确定的影像组学模型的临床获益，这一分析有助于确定基于影像组学标签预测的骨肉瘤NAC疗效情况对制定个性化的治疗策略所获得的益处。在训练集中，对CT多期像预测模型和临床特征预测模型和综合预测模型进行临床决策性曲线分析发现，综合预测模型比CT多期像预测模型和临床特征预测模型更有利。在验证集中进行验证，综合预测模型的临床效益也显示了比CT多期像预测模型和临床特征预测模型有更好的临床预测效能。
综上所述，借助于本发明的上述技术方案，通过回归模块建立了预测模型，从而能够准确的、简便的、非有创性的对骨肉瘤患者术前NCA化疗疗效进行评估，为临床治疗疗效的早期评估与修整治疗方案提供依据，可以尽早改善患者生活质量，减轻家庭和社会负担，同时，还能够节约患者医疗成本和治疗时间。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (10)
1.一种骨肉瘤疗效评估方法，其特征在于，包括：
根据预先采集的若干骨肉瘤患者的CT影像数据，获取骨肉瘤影像组学特征，并对骨肉瘤影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型；
根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型；
根据所述影像组学预测模块和所述临床特征预测模型，通过Logistic回归模型建立综合预测模型，并通过所述综合预测模型对欲评估的骨肉瘤患者的疗效进行评估。
2.根据权利要求1所述的骨肉瘤疗效评估方法，其特征在于，还包括：
预先采集若干骨肉瘤患者的CT影像数据和临床特征数据以及术后肿瘤坏死率，并根据所述术后肿瘤坏死率，将所述CT影像数据和所述临床特征数据分为化疗有效组和化疗无效组；
将所述化疗有效组和所述化疗无效组的数据，按照预定比例阈值分为训练集和验证集；
其中，所述训练集用于获取骨肉瘤的影像组学特征和影响新辅助治疗疗效的临床特征信息；所述验证集用于对综合预测模型进行疗效验证。
3.根据权利要求2所述的骨肉瘤疗效评估方法，其特征在于，还包括：
在根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型之前，对得到的骨肉瘤影像组学特征信息进行归一化处理。
4.根据权利要求3所述的骨肉瘤疗效评估方法，其特征在于，对骨肉瘤的影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型包括：
对骨肉瘤的影像组学特征进行分割，得到骨肉瘤影像组学特征信息；
根据骨肉瘤影像组学特征信息，基于LASSO-LR分类器选择出影响新辅助治疗疗效的骨肉瘤影像组学特征信息；
根据所述骨肉瘤影像组学特征信息，通过LASSO-Logistic回归模型建立影像组学预测模型。
5.根据权利要求3所述的骨肉瘤疗效评估方法，其特征在于，根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型包括：
根据预先采集的若干骨肉瘤患者的临床特征数据，基于Logistic单因素分析筛选出影响新辅助治疗疗效的临床特征信息；
根据所述临床特征信息，通过Logistic回归模型建立临床特征预测模型。
6.根据权利要求1所述的骨肉瘤疗效评估方法，其特征在于，所述CT影像数据包括CT平扫骨窗影像数据、CT平扫软组织窗影像数据以及增强CT影像数据；所述影像组学预测模型包括CT平扫骨窗单期影像模型、CT平扫软组织窗单期影像模型以及CT增强单期影像模型；所述临床特征数据包括肿瘤位置、肿瘤体积、ALP、病理性骨折、初诊时状态、手术方式、临床肿瘤分期和组织病理学分级。
7.一种骨肉瘤疗效评估系统，其特征在于，包括：
影像模型建立模块，用于根据预先采集的若干骨肉瘤患者的CT影像数据，获取骨肉瘤影像组学特征，并对骨肉瘤影像组学特征进行分割，得到影响新辅助治疗疗效的骨肉瘤影像组学特征信息，并根据所述骨肉瘤影像组学特征信息，建立影像组学预测模型；
临床模型建立模块，用于根据预先采集的若干骨肉瘤患者的临床特征数据，获取影响新辅助治疗疗效的临床特征信息，并根据所述临床特征信息，建立临床特征预测模型；
综合模型评估模块，用于根据所述影像组学预测模块和所述临床特征预测模型，通过Logistic回归模型建立综合预测模型，并通过所述综合预测模型对欲评估的骨肉瘤患者的疗效进行评估。
8.根据权利要求7所述的骨肉瘤疗效评估系统，其特征在于，还包括：
预先采集模块，用于预先采集若干骨肉瘤患者的CT影像数据和临床特征数据以及术后肿瘤坏死率，并根据所述术后肿瘤坏死率，将所述CT影像数据和所述临床特征数据分为化疗有效组和化疗无效组；
分组模块，用于将所述化疗有效组和所述化疗无效组的数据，按照预定比例阈值分为训练集和验证集，其中，所述训练集用于获取骨肉瘤的影像组学特征和影响新辅助治疗疗效的临床特征信息；
验证模块，用于利用验证集对综合预测模型进行疗效验证。
9.根据权利要求8所述的骨肉瘤疗效评估系统，其特征在于，所述影像模型建立模块包括特征分割子模块、特征选择子模块和影像模型建立子模块，其中，
特征分割子模块，用于对骨肉瘤的影像组学特征进行分割，得到骨肉瘤影像组学特征信息；
特征选择子模块，用于根据骨肉瘤影像组学特征信息，基于LASSO-LR分类器选择出影响新辅助治疗疗效的骨肉瘤影像组学特征信息；
影像模型建立子模块，用于根据所述骨肉瘤影像组学特征信息，通过LASSO-Logistic回归模型建立影像组学预测模型。
10.根据权利要求8所述的骨肉瘤疗效评估系统，其特征在于，所述临床模型建立模块包括特征筛选子模块和临床模型建立子模块，其中，
特征筛选子模块，用于根据预先采集的若干骨肉瘤患者的临床特征数据，基于Logistic单因素分析筛选出影响新辅助治疗疗效的临床特征信息；
临床模型建立子模块，用于根据所述临床特征信息，通过Logistic回归模型建立临床特征预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210659717.1A CN115067978B (zh) | 2022-06-09 | 2022-06-09 | 一种骨肉瘤疗效评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210659717.1A CN115067978B (zh) | 2022-06-09 | 2022-06-09 | 一种骨肉瘤疗效评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115067978A true CN115067978A (zh) | 2022-09-20 |
| CN115067978B CN115067978B (zh) | 2023-07-25 |
Family
ID=83251906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210659717.1A Active CN115067978B (zh) | 2022-06-09 | 2022-06-09 | 一种骨肉瘤疗效评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115067978B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116687353A (zh) * | 2023-08-01 | 2023-09-05 | 宁波杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
| CN117219295A (zh) * | 2023-11-03 | 2023-12-12 | 浙江省肿瘤医院 | 一种基于ct图像的胃癌新辅助化疗疗效预测系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948667A (zh) * | 2019-03-01 | 2019-06-28 | 桂林电子科技大学 | 用于对头颈部癌症远端转移预测的图像分类方法及装置 |
| US20190254611A1 (en) * | 2018-02-21 | 2019-08-22 | Case Western Reserve University | Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-patholigic features |
| CN110807785A (zh) * | 2019-11-01 | 2020-02-18 | 上海理工大学 | 一种非小细胞肺癌患者术后复发相关性因素研究方法 |
| CN112951406A (zh) * | 2021-01-27 | 2021-06-11 | 安徽理工大学 | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 |
| CN113610845A (zh) * | 2021-09-09 | 2021-11-05 | 汕头大学医学院附属肿瘤医院 | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 |
-
2022
- 2022-06-09 CN CN202210659717.1A patent/CN115067978B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190254611A1 (en) * | 2018-02-21 | 2019-08-22 | Case Western Reserve University | Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-patholigic features |
| CN109948667A (zh) * | 2019-03-01 | 2019-06-28 | 桂林电子科技大学 | 用于对头颈部癌症远端转移预测的图像分类方法及装置 |
| CN110807785A (zh) * | 2019-11-01 | 2020-02-18 | 上海理工大学 | 一种非小细胞肺癌患者术后复发相关性因素研究方法 |
| CN112951406A (zh) * | 2021-01-27 | 2021-06-11 | 安徽理工大学 | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 |
| CN113610845A (zh) * | 2021-09-09 | 2021-11-05 | 汕头大学医学院附属肿瘤医院 | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116687353A (zh) * | 2023-08-01 | 2023-09-05 | 宁波杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
| CN116687353B (zh) * | 2023-08-01 | 2023-12-19 | 宁波杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
| CN117219295A (zh) * | 2023-11-03 | 2023-12-12 | 浙江省肿瘤医院 | 一种基于ct图像的胃癌新辅助化疗疗效预测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115067978B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115067978B (zh) | 一种骨肉瘤疗效评估方法及系统 | |
| EP2510468B1 (en) | Diagnostic techniques for continuous storage and joint analysis of both image and non-image medical data | |
| CN112185569B (zh) | 一种乳腺癌患者无病生存期预测模型及其构建方法 | |
| US7263214B2 (en) | Computer aided diagnosis from multiple energy images | |
| 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 | |
| CN107610096A (zh) | 用于所选组织结构的图像分析的方法及系统 | |
| CN109124660B (zh) | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 | |
| CN112216395A (zh) | 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 | |
| CN113208640A (zh) | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 | |
| CN113450910A (zh) | 一种基于逻辑回归模型的孤立肺结节恶性风险预测系统 | |
| Suh et al. | Stepwise flowchart for decision making on sublobar resection through the estimation of spread through air space in early stage lung cancer1 | |
| CN115205213A (zh) | 一种体内泌尿系结石成分预测系统 | |
| CN117095815A (zh) | 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统 | |
| CN111539918A (zh) | 基于深度学习的磨玻璃肺结节风险分层预测系统 | |
| KR101223270B1 (ko) | 대장암 진단용 저질량 이온 결정 방법, 이를 이용하여 대장암 진단을 위한 정보를 제공하는 방법, 및 이를 위한 연산 장치 | |
| US20090010486A1 (en) | Modifying Software To Cope With Changing Machinery | |
| 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 | |
| CN116403701A (zh) | 一种非小细胞肺癌患者tmb水平的预测方法及装置 | |
| CN114842960A (zh) | 一种基于ct影像和临床数据评估新冠患者病情进展和预后的方法 | |
| CN114494191A (zh) | 医用图像处理方法、设备及计算机存储介质 | |
| EP4211647A1 (en) | Method for biomarker estimation | |
| CN113793324A (zh) | 一种鼻咽癌诱导化疗疗效预测方法及系统 | |
| CN116631617B (zh) | 前列腺Gleason评分系统 | |
| CN115064267B (zh) | 一种胆道闭锁风险评估系统及其建立方法 | |
| Lederman et al. | Fusion of classifiers for REIS-based detection of suspicious breast lesions |
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 |