CN115295126B - 预测胃癌错配修复基因缺陷的模型 - Google Patents

预测胃癌错配修复基因缺陷的模型 Download PDF

Info

Publication number
CN115295126B
CN115295126B CN202211204768.1A CN202211204768A CN115295126B CN 115295126 B CN115295126 B CN 115295126B CN 202211204768 A CN202211204768 A CN 202211204768A CN 115295126 B CN115295126 B CN 115295126B
Authority
CN
China
Prior art keywords
gastric cancer
mismatch repair
model
predicting
repair gene
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
Application number
CN202211204768.1A
Other languages
English (en)
Other versions
CN115295126A (zh
Inventor
程向东
佟雅涵
徐志远
胡灿
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.)
Zhejiang Cancer Hospital
Original Assignee
Zhejiang Cancer Hospital
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 Zhejiang Cancer Hospital filed Critical Zhejiang Cancer Hospital
Priority to CN202211204768.1A priority Critical patent/CN115295126B/zh
Publication of CN115295126A publication Critical patent/CN115295126A/zh
Application granted granted Critical
Publication of CN115295126B publication Critical patent/CN115295126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

Abstract

本发明涉及肿瘤诊断技术领域，具体涉及一种预测胃癌错配修复基因缺陷的模型，该模型共纳入3个临床指标(性别、年龄、肿瘤位置)和一个放射组学标签，仅应用了易于术前获取的临床信息和提取自CT图像的放射组学特征，其预测效能较好，是一种可靠的、无创的胃癌术前预测DNA错配修复缺陷的方法，便于推广，易于应用。

Description

预测胃癌错配修复基因缺陷的模型
技术领域
本发明涉及肿瘤诊断技术领域，更具体来说，涉及胃癌DNA错配修复缺陷预测，通过结合放射组学特征和临床危险因素，从而提供一种预测胃癌错配修复基因缺陷的模型。
背景技术
根据中国国家癌症中心的统计数据，2016年胃癌的发病率和死亡率在全国恶性肿瘤中排名第三。早期胃癌的症状隐匿，常被忽视，因此在中国许多胃癌患者在诊断时已是局部晚期。自1993年在遗传性非息肉病性结直肠癌中发现微卫星不稳定性(microsatelliteinstability, MSI)以来，在膀胱癌、肺癌等恶性肿瘤中也可检测到MSI。越来越多的临床试验证实MSI在胃癌(GC)的发生和预后中发挥着重要作用。肿瘤错配修复状况已成为选择治疗方法的重要决定因素。癌症基因组图谱已经确定MSI或DNA错配修复缺陷(dMMR)是GC的第二分子亚型的标志。胃癌错配修复基因状态的检测对临床决策至关重要，因为它可以识别不同治疗反应和预后的患者。2021年胃癌NCCN指南中建议，所有初诊胃癌患者均应采用基于聚合酶链反应(PCR)的分子检测或免疫组化(ICH)的DNA错配修复(MMR)蛋白检测。但仍有许多患者未检测。DNA错配修复缺陷的测试是昂贵的，并且在不同的主要模态之间的解释存在观察者之间的差异。如果能在术前预测错配修复基因在胃癌中的表达状态，对于治疗方案的选择、预后的评估以及生活质量的提高都具有重要意义。对于GC患者来说，开发一种客观、广泛、经济、有效、无创、前置的检测方法是非常重要的。
放射组学可以获得比传统CT图像更多的信息，放射组学的兴起使影像学数据转化为高维特征数据成为可能，生物信息学从原始图像中提取的多种定量特征可以预测肿瘤潜在的生物学行为。近年来，许多研究发现某些放射学特征具有诊断和预后价值。在放射基因组学领域，其影像学特征与遗传特征密切相关。预后差的肿瘤也往往具有较大的肿瘤组织基因组异质性。放射基因组学是在放射组学基础上的进一步发展，它假设微观层面的基因组异质性可以表现为肿瘤的异质性，肿瘤微环境的变化可以表现在形态学特征和宏观图像上。因此，放射组学的应用为解决传统活检方法的局限性提供了一条新的途径。近年来，基于多变量值构建的射线组学列线图预测预后模型已被广泛接受，它是一种简单易行的预测预后的工具，已成功辅助恶性肿瘤基因型的术前预测。
本发明力图解决这些和本领域中的其他待解决的需要。
发明内容
为解决上述背景技术中提及的至少一种技术问题，本发明的目的旨在提供一种预测胃癌错配修复基因缺陷的模型，模型仅应用了易于术前获取的临床信息和提取自CT图像的放射组学特征，其预测效能较好，是一种可靠的、无创的胃癌术前预测DNA错配修复缺陷的模型，便于推广，易于应用。
在一个方面，本发明针对一种预测胃癌错配修复基因缺陷的模型，是一种列线图模型，具体是
Nomoscore=Intercept*(-7.56566042486333)
+Age*0.127948643930096
+Location*(-1.49110528477808)
+Sex*1.64766133092359
+Radscore*2.22277808425775。
一些实施例中，列线图模型的分界值为-0.9649085。
一些实施例中，
当Nomoscore≥-0.9649085时病例判定为胃癌DNA错配修复缺陷，
当Nomoscore＜-0.9649085时病例判定为无胃癌DNA错配修复缺陷。
一些实施例中，所述Intercept取1。
一些实施例中，所述Age指年龄。
一些实施例中，所述Location指肿瘤位置；且肿瘤位置在胃窦部时Location=0，肿瘤位置在胃体部时Location=1，肿瘤位置在贲门时Location=2。
一些实施例中，Sex指患者性别；患者为男性时Sex=0，患者为女性时Sex=1。
一些实施例中，Radscore是提取自增强CT图像的放射组学标签。
一些实施例中，Radscore=0.666*original_shape_Maximum2DDiameterColumn+(-0.283)*original_firstorder_Median +(-0.747)，
其中
original_shape_Maximum2DDiameterColumn和original_firstorder_Median为基于增强CT图像提取出的放射组学特征。
在另一个方面，本发明针对前述所述预测胃癌错配修复基因缺陷的模型的应用，具体是应用所述模型预测患者胃癌错配修复基因缺陷。
所述应用具体包括：
1)获取胃癌患者的临床信息；
2)获取胃癌患者的增强CT图像，从增强CT图像中提取得到放射组学特征；
3)将临床信息和放射组学特征输入前述所述预测胃癌错配修复基因缺陷的模型，输出Radscore值；
4)依据Radscore值判断所述患者胃癌错配修复基因缺陷情况。
步骤1)中，所述临床信息包括性别、年龄、肿瘤位置数据。
步骤4)中，依据Radscore值判断所述患者胃癌错配修复基因缺陷情况具体包括：
当Nomoscore≥-0.9649085时病例判定为胃癌DNA错配修复缺陷，
当Nomoscore＜-0.9649085时病例判定为无胃癌DNA错配修复缺陷。
本发明所提供的一种用于胃癌DNA错配修复缺陷预测的数学模型，该模型共纳入3个临床指标(性别、年龄、肿瘤位置)和一个放射组学标签(Radscore)，通过CT图像提取放射组学特征、临床特征筛选、统计学分析、数学模型等系列方法，最终筛选出多个胃癌DNA错配修复缺陷相关的指标，并据此构建了胃癌DNA错配修复缺陷诊断模型作为本发明的主要成果输出。
在符合本领域常识的基础上，上述各优选条件，可以相互组合，得到具体实施方式。
本发明的有益效果为：
1)本发明中，我们选择了两个与胃癌DNA错配修复缺陷最具相关性的放射组学特征，并根据其权重构建了放射组学标签(radscore)，其易于从术前的CT图像中获得，旨在揭示放射组学特征背后隐藏的肿瘤特征。
2)本发明的优势在于所提出的放射组学列线图构成要素中临床因素方面只包含三个易于术前获取的因素(性别、年龄、肿瘤位置)，便于临床应用。
3)根据模型得到ROC曲线，其AUC值为0.93，具有较好的预测效能。该模型有正有负，说明三种临床因素及放射组学标签与疾病是成正或者负相关的。
4)本发明提供的模型可以作为胃癌术前预测DNA错配修复缺陷的一种可靠的、无创的方法，便于推广，易于应用，有利于临床的术前诊断及术后个体化治疗方案的制定，具有广泛的临床应用前景。
本发明为实现上述目的而采用了上述技术方案，弥补了现有技术的不足，设计合理，操作方便。
附图说明
旨在为使得本领域技术人员更加迅速明确的了解本申请的上述和/或其他目的、特征、优点与实例，提供了部分附图，应当指出的是，构成本申请的说明书附图、示意性实施例及其说明用来提供对本申请的进一步理解，并不构成对本申请的不当限定。
图1是模型构建流程图；
图2是基于增强CT图像的放射组学列线图；
图3是模型应用流程图；
图4是训练集对模型效能的检验示意图；
图5是内部验证集对模型效能的检验示意图。
具体实施方式
本领域技术人员可以借鉴本文内容，适当替换和/或改动工艺参数实现，然而特别需要指出的是，所有类似的替换和/或改动对本领域技术人员来说是显而易见的，它们都被视为包括在本发明。本发明所述内容已经通过较佳实例进行了描述，相关人员明显能在不脱离本发明内容、精神和范围内对本文所述的内容进行改动或适当变更与组合，来实现和应用本发明技术。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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，而非意图限制本申请的技术方案。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。
至于增强CT图像的采集，可选用本领域常规方式进行，例如但不包括：所有患者均采用BrightSpeed, Optima CT680 Series (GE Medical Systems)， Siemens Somatomdefinition AS 64, Perspective (Siemens Medical Systems)的多排螺旋CT系统进行上腹部或全腹部增强扫描。
至于肿瘤分割的病灶准确位置，可选用本领域常规方式进行，例如但不包括：将患者图像以医学数字成像与通信(DICOM)格式输出，使用ITK-SNAP(版本3.8.0,http://www.itksnap.org)勾画病灶，由两名具有5年以上腹部疾病诊断经验的放射科医生查看患者的每一层图像，两名放射科医生在CT图像中勾勒出病灶区域。
至于放射组学特征的确定，可选用本领域常规方式进行，例如但不包括：在原始图像数据集的基础上，通过放射组学特征提取重采样。然后对所勾画病灶的感兴趣区域和其周边区域内提取的特征进行特征稳定性检验，利用类内相关算法过滤出对感兴趣区域变化较小的不稳定特征。通过将病灶感兴趣区域的边界扩展一个图像像素来实现对病灶感兴趣区域的扩展。我们使用最大相关最小冗余(mRMR)和最小绝对收缩和选择算子(LASSO)方法进行特征选择以确定放射组学特征。
至于错配修复基因缺陷的确认，依据2021年胃癌NCCN指南，采用免疫组化(IHC)评估MMR蛋白状态，检测MLH1、MSH2、MSH6和 PMS2蛋白，这些蛋白均位于细胞核内，任何蛋白表达缺失被评估为dMMR(错配修复功能缺陷)，所有4个蛋白均阳性表达被评估为pMMR(错配修复功能完整)。
以下详细描述本发明。
实施例1：
如图1所示，提供一种预测胃癌错配修复基因缺陷的模型，构建流程具体包括下述步骤。
选取来自两家医院(医院1为训练集内部验证集(n=101)；以医院2为外部验证集(n=60))的患者进行模型的构建、训练集测试。所有患者术前均行增强CT检查。
入组标准包括：
1)术后病理证实为T3或T4期胃腺癌病例；
2)术前1个月内行上腹部或全腹CT增强扫描；
3)术后病理组织进行免疫组化检测评估DNA错配修复基因表达状态。
排除标准包括：
1)临床或病理资料不完整；
2)病理类型为印戒细胞癌或粘液腺癌；
3)既往接受其他治疗的患者；
4)CT图像质量不佳，无法识别肿瘤病灶。
获取术前胃癌病人增强CT图像，导入YITU AI Enabler平台，提取影像组学特征，收集临床资料。
临床资料及影像组学特征汇总表格导入R软件，采用最大相关最小冗余(mRMR)、最小绝对收缩和选择算子(LASSO)方法进行特征选择，然后利用logistic回归分析构建放射组学标签(Radscore)。
如图2所示，在训练集中联合放射组学标签、性别、年龄及肿瘤位置构建列线图，并建立一个包含放射组学特征和独立临床预测因子的放射列线图，并得出模型：
Nomoscore=Intercept*-7.56566042486333+Age*0.127948643930096+Location*-1.49110528477808+Sex*1.64766133092359+Radscore*2.22277808425775。
其中
Intercept取1；
Age指年龄，取具体年龄值(岁)；
Location指肿瘤位置；且肿瘤位置在胃窦部时Location取0，肿瘤位置在胃体部时Location取1，肿瘤位置在贲门时Location取2；
Sex指性别；病例为男性时Sex=0，病例为女性是Sex=1；
Radscore是放射组学标签，且
Radscore=0.666*original_shape_Maximum2DDiameterColumn+(-0.283)*original_firstorder_Median+(-0.747)，
original_shape_Maximum2DDiameterColumn和original_firstorder_Median为基于增强CT图像提取出的放射组学特征。
模型以-0.9649085作为分界值，具体是当Nomoscore≥-0.9649085时病例判定为胃癌DNA错配修复缺陷，当Nomoscore＜-0.9649085时病例判定为无胃癌DNA错配修复缺陷。
实施例2：
在前述实施例的基础上，提供预测胃癌错配修复基因缺陷的模型的应用，即对其预测功能进行验证，具体是综合患者临床信息及胃部增强CT图像，通过前述实施例所述模型对其进行胃癌错配修复基因缺陷的预测，如图3所示，具体步骤包括：
1)收集患者临床信息，包括性别(Sex)、年龄(Age)、肿瘤位置(Location)；
2)获得患者术前胃部增强CT图像，导入影像学特征提取软件如YITU AI Enabler、3DSlicer或pyradiomics，进行影像学特征的提取，并经归一化处理，获得放射组学特征original_shape_Maximum2DDiameterColumn和original_firstorder_Median；
3)分别将步骤1)的临床信息和步骤2)获得的放射组学特征导入模型Nomoscore=Intercept*(-7.56566042486333)
+Age*0.127948643930096
+Location*(-1.49110528477808)
+Sex*1.64766133092359
+Radscore*2.22277808425775；
4)判断步骤3)所得Nomoscore值的范围，
当Nomoscore≥-0.9649085时病例判定为胃癌DNA错配修复缺陷，
当Nomoscore＜-0.9649085时病例判定为无胃癌DNA错配修复缺陷。
选取4位患者，已经过免疫组化检测评估证实患者1和2均为胃癌错配修复基因缺陷，而患者3和4均无胃癌错配修复基因缺陷，进行了相关胃癌DNA错配修复缺陷的预测，如表1所示。
表1、预测胃癌DNA错配修复缺陷
Figure DEST_PATH_IMAGE001
注：dMMR：胃癌DNA错配修复缺陷，pMMR：无胃癌DNA错配修复缺陷。
由表1可知，患者1和患者2通过模型预测结果显示他们的Nomoscore值均大于-0.9649085，可知该两位患者均为胃癌DNA错配修复缺陷；而患者3和患者4的Nomoscore值均小于-0.9649085，可知他们均无胃癌DNA错配修复缺陷，预测正确率100%。本模型仅通过纳入模型中的3个临床指标(性别、年龄、肿瘤位置)和一个放射组学标签(Radscore)，即可实现可靠的、无创的胃癌术前DNA错配修复缺陷的预测，有利于临床的术前诊断及术后个体化治疗方案的制定。
实施例3：
在前述实施例的基础上，通过含有101例样本的训练集内部测试机和含有60个样本的外部测试集分别对模型进行能效检验，模型训练采用10倍交叉验证，在内部测试集中对放射组学、临床和放射临床模型的诊断性能进行验证。计算列线图ROC曲线下面积(AUC)。
所有统计分析均使用R软件(版本3.4.1;http://www.Rproject.org)完成。
应用“glmnet”软件包进行LASSO logistic回归分析。
多变量logistic回归分析使用“rms”包进行。
使用“pROC”包进行放射组学模型的ROC图绘制。
模型测试结果如图4和图5所示，示出了模型构建过程中训练集及内部验证集对模型效能的检验，其中图4为训练集中模型的受试者工作特性曲线下面积（AUC），为0.93，图5为内部验证集中模型的曲线下面积（AUC），为0.82，而外部验证集中模型的曲线下面积(AUC)为0.80，表明模型具有较好的预测效能。
本申请选择了两个与胃癌DNA错配修复缺陷最具相关性的放射组学特征，并根据其权重构建了放射组学标签(radscore)，另选择仅包括性别、年龄、肿瘤位置在内的易于术前获取的临床信息，共同构建预测胃癌错配修复基因缺陷的模型，应用该模型对胃癌患者进行预测，其预测效能较好，属于一种可靠的、无创的胃癌术前预测DNA错配修复缺陷的方法，便于推广，易于应用，有利于临床的术前诊断及术后个体化治疗方案的制定，具有广泛的临床应用前景。
上述实施例中的常规技术为本领域技术人员所知晓的现有技术，故在此不再详细赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管对本发明已作出了详细的说明并引证了一些具体实施例，但是对本领域熟练技术人员来说，只要不离开本发明的精神和范围可作各种变化或修正是显然的。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本发明未尽事宜均为公知技术。

Claims (8)

1.一种预测胃癌错配修复基因缺陷的模型构建方法，其特征在于所述模型是：
Nomoscore=Intercept*(-7.56566042486333)
+Age*0.127948643930096
+Location*(-1.49110528477808)
+Sex*1.64766133092359
+Radscore*2.22277808425775；
其中，Intercept取1；Age指年龄；Location指肿瘤位置；Sex指性别；Radscore是提取自增强CT图像的放射组学标签；
当Nomoscore≥-0.9649085时病例判定为胃癌DNA错配修复缺陷，
当Nomoscore＜-0.9649085时病例判定为无胃癌DNA错配修复缺陷；
Radscore=0.666*original_shape_Maximum2DDiameterColumn+(-0.283)*original_firstorder_Median +(-0.747)，
其中
original_shape_Maximum2DDiameterColumn和original_firstorder_Median为基于增强CT图像提取出的放射组学特征。
2.根据权利要求1所述的一种预测胃癌错配修复基因缺陷的模型构建方法，其特征在于：模型的分界值为-0.9649085。
3.根据权利要求1所述的一种预测胃癌错配修复基因缺陷的模型构建方法，其特征在于：肿瘤位置在胃窦部时Location=0，肿瘤位置在胃体部时Location=1，肿瘤位置在贲门时Location=2。
4.根据权利要求1所述的一种预测胃癌错配修复基因缺陷的模型构建方法，其特征在于：患者为男性时Sex=0，患者为女性是Sex=1。
5.权利要求1-4任一项所述一种预测胃癌错配修复基因缺陷的模型构建方法的应用，其特征在于应用所述模型预测患者胃癌错配修复基因缺陷。
6.根据权利要求5所述的一种预测胃癌错配修复基因缺陷的模型构建方法的应用，其特征在于：所述应用具体包括：
1)获取胃癌患者的临床信息；
2)获取胃癌患者的增强CT图像，从增强CT图像中提取得到放射组学特征；
3)将临床信息和放射组学特征输入所述预测胃癌错配修复基因缺陷的模型，输出Radscore值；
4)依据Radscore值判断所述患者胃癌错配修复基因缺陷情况。
7.根据权利要求6所述的一种预测胃癌错配修复基因缺陷的模型构建方法的应用，其特征在于：步骤1)中，所述临床信息包括性别、年龄、肿瘤位置数据。
8.根据权利要求6或7所述的一种预测胃癌错配修复基因缺陷的模型构建方法的应用，其特征在于：步骤4)中，依据Radscore值判断所述患者胃癌错配修复基因缺陷情况具体包括：
当Nomoscore≥-0.9649085时病例判定为胃癌DNA错配修复缺陷，
当Nomoscore＜-0.9649085时病例判定为无胃癌DNA错配修复缺陷。
CN202211204768.1A 2022-09-29 2022-09-29 预测胃癌错配修复基因缺陷的模型 Active CN115295126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211204768.1A CN115295126B (zh) 2022-09-29 2022-09-29 预测胃癌错配修复基因缺陷的模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211204768.1A CN115295126B (zh) 2022-09-29 2022-09-29 预测胃癌错配修复基因缺陷的模型

Publications (2)

Publication Number Publication Date
CN115295126A CN115295126A (zh) 2022-11-04
CN115295126B true CN115295126B (zh) 2023-03-24

Family

ID=83834632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211204768.1A Active CN115295126B (zh) 2022-09-29 2022-09-29 预测胃癌错配修复基因缺陷的模型

Country Status (1)

Country Link
CN (1) CN115295126B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110177886A (zh) * 2017-04-24 2019-08-27 洛博生物科技有限公司 基于胃癌生物学特征的集群分类及预后预测系统
CN111868262A (zh) * 2018-01-23 2020-10-30 比奥卡尔齐斯股份有限公司 检测癌症中微卫星不稳定性的生物标志物组和方法
CN112183557A (zh) * 2020-09-29 2021-01-05 山西医科大学 基于胃癌组织病理图像纹理特征的msi预测模型构建方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NZ592241A (en) * 2008-09-15 2012-11-30 Herlev Hospital Ykl-40 as a marker for gastrointestinal cancers
WO2019213478A1 (en) * 2018-05-04 2019-11-07 Nanostring Technologies, Inc. Gene expression assay for measurement of dna mismatch repair deficiency
US11610304B2 (en) * 2019-10-11 2023-03-21 Case Western Reserve University Predicting tumor prognoses based on a combination of radiomic and clinico-pathological features
CN113658696B (zh) * 2021-07-22 2023-07-14 四川大学华西医院 一种基于患者年龄、营养指标、肿瘤分期和肿瘤标志物联合预测胃癌预后的预测系统
CN113610845B (zh) * 2021-09-09 2024-04-26 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110177886A (zh) * 2017-04-24 2019-08-27 洛博生物科技有限公司 基于胃癌生物学特征的集群分类及预后预测系统
CN111868262A (zh) * 2018-01-23 2020-10-30 比奥卡尔齐斯股份有限公司 检测癌症中微卫星不稳定性的生物标志物组和方法
CN112183557A (zh) * 2020-09-29 2021-01-05 山西医科大学 基于胃癌组织病理图像纹理特征的msi预测模型构建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
214例胃癌微卫星不稳定状态分析;缪小兵等;《临床与实验病理学杂志》;20181119(第11期);全文 *
A Prediction Model of Microsatellite Status from Histology Images;Jing Ke;《ICBET 2020: Proceedings of the 2020 10th International Conference on Biomedical Engineering and Technology》;20200915;全文 *
免疫组化法检测结直肠癌错配修复基因蛋白结果分析;管蕾等;《基层医学论坛》;20181224(第01期);全文 *
错配修复基因与胃癌相关性的研究进展;李昕雨等;《中华老年多器官疾病杂志》;20170128(第01期);全文 *
错配修复缺陷,微卫星不稳定与胃癌;赵成海;《世界华人消化杂志》;20040615(第06期);全文 *

Also Published As

Publication number Publication date
CN115295126A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
Zhang et al. Computed tomography-based radiomics model for discriminating the risk stratification of gastrointestinal stromal tumors
Xu et al. Using biparametric MRI radiomics signature to differentiate between benign and malignant prostate lesions
Zhang et al. Personalized CT-based radiomics nomogram preoperative predicting Ki-67 expression in gastrointestinal stromal tumors: a multicenter development and validation cohort
Heesterbeek et al. Noninvasive prenatal test results indicative of maternal malignancies: a nationwide genetic and clinical follow-up study
Fan et al. Computed tomography-based texture analysis of bladder cancer: differentiating urothelial carcinoma from micropapillary carcinoma
Starmans et al. Differential diagnosis and molecular stratification of gastrointestinal stromal tumors on CT images using a radiomics approach
Chen et al. A radiomics signature in preoperative predicting degree of tumor differentiation in patients with non–small cell lung cancer
Xu et al. Classification of hepatocellular carcinoma and intrahepatic cholangiocarcinoma based on radiomic analysis
Lin et al. Lung cancer and granuloma identification using a deep learning model to extract 3-dimensional radiomics features in CT imaging
Liu et al. The value of artificial intelligence in the diagnosis of lung cancer: A systematic review and meta-analysis
Bousis et al. The role of deep learning in diagnosing colorectal cancer
Zhu et al. Application of deep learning to identify ductal carcinoma in situ and microinvasion of the breast using ultrasound imaging
Araujo-Filho et al. CT radiomic features for predicting resectability and TNM staging in thymic epithelial tumors
Lu et al. Uncontrolled confounders may lead to false or overvalued radiomics signature: a proof of concept using survival analysis in a multicenter cohort of kidney cancer
Shao et al. Predicting gene mutation status via artificial intelligence technologies based on multimodal integration (MMI) to advance precision oncology
Yang et al. Development of a deep learning model for classifying thymoma as Masaoka-Koga stage I or II via preoperative CT images
Li et al. Prediction for pathological and immunohistochemical characteristics of triple-negative invasive breast carcinomas: the performance comparison between quantitative and qualitative sonographic feature analysis
Yu et al. Artificial intelligence in gastric cancer: A translational narrative review
Tian et al. Machine learning-based radiomic computed tomography phenotyping of thymic epithelial tumors: Predicting pathological and survival outcomes
Hu et al. Predicting Kirsten rat sarcoma virus gene mutation status in patients with colorectal cancer by radiomics models based on multiphasic CT
Wang et al. Application of digital mammography-based radiomics in the differentiation of benign and malignant round-like breast tumors and the prediction of molecular subtypes
Yan et al. Predicting the Ki-67 proliferation index in pulmonary adenocarcinoma patients presenting with subsolid nodules: construction of a nomogram based on CT images
Wang et al. Can peritumoral regions increase the efficiency of machine-learning prediction of pathological invasiveness in lung adenocarcinoma manifesting as ground-glass nodules?
CN115295126B (zh) 预测胃癌错配修复基因缺陷的模型
Yang et al. A CT-based radiomics nomogram combined with clinic-radiological characteristics for preoperative prediction of the novel IASLC grading of invasive pulmonary adenocarcinoma

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