CN115440383A - 用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统 - Google Patents
用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统 Download PDFInfo
- Publication number
- CN115440383A CN115440383A CN202211213716.0A CN202211213716A CN115440383A CN 115440383 A CN115440383 A CN 115440383A CN 202211213716 A CN202211213716 A CN 202211213716A CN 115440383 A CN115440383 A CN 115440383A
- Authority
- CN
- China
- Prior art keywords
- patient
- expression
- features
- curative effect
- image
- 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
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及用于预测晚期癌症患者PD‑1/PD‑L1单抗治疗疗效的系统,具体涉及用于预测晚期癌症患者PD‑1/PD‑L1单抗治疗疗效的方法、系统、设备及计算机可读存储介质。包括:获取待测癌症患者的增强CT影像;提取癌症患者的增强CT影像组学特征;将所述影像组学特征输入训练好的PD‑1/PD‑L1表达状态模型,得到患者PD‑1/PD‑L1表达结果;基于所述表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD‑1/PD‑L1单抗治疗疗效分类结果。本申请在解决癌症患者是否进行PD‑1/PD‑L1单抗治疗临床决策中具有很好的应用价值。
Description
技术领域
本发明涉及智能医疗技术领域,更具体地,涉及用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法、系统、设备及计算机可读存储介质。
背景技术
近年来,以程序化死亡受体1/程序化死亡配体1(PD-1/PD-L1)为靶中心的免疫检查点抑制剂(ICI)广泛用于晚期癌症治疗中。抗肿瘤免疫应答是由众多免疫细胞和分子参与的复杂过程,在机体发挥抗肿瘤疗效时,炎症细胞浸润和肿瘤组织坏死/水肿等会造成假性进展(PsPD)、延迟反应和疾病超进展(HPD)等特殊临床表现;因此,与化疗和靶向治疗等相比,寻找免疫治疗的疗效预测标志物更具挑战性。如何早期准确评估免疫治疗疗效一直是临床医生面对的难题并对临床治疗决策造成困扰,因此,临床亟需一种预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的精准模型。
发明内容
本申请立足临床场景,为癌症患者提供一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法,包括:
获取待测癌症患者的增强CT影像;
提取癌症患者的增强CT影像组学特征;
将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型,得到患者PD-1/PD-L1表达结果;
基于所述表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果,具体为:当表达结果为阳性,输入训练好的PD-1/PD-L1表达阳性疗效结果预测模型,当表达结果为阴性,输入训练好的PD-1/PD-L1表达阴性疗效结果预测模型。
进一步,所述训练好的PD-1/PD-L1表达状态模型的构建方法包括:获取癌症患者的增强CT影像训练集,通过肿瘤组织的免疫组化检测结果将训练集分为PD-1/PD-L1表达阳性组和PD-1/PD-L1表达阴性组,提取癌症患者的增强CT影像组学特征,将所述影像组学特征输入分类器中,得到预测的分类结果,将预测的分类结果与免疫组化检测结果进行比对,优化分类器,得到训练好的PD-1/PD-L1表达状态模型。
进一步,所述方法还包括:
获取待测癌症患者的临床数据;
提取代表性的临床特征,所述临床特征为:年龄、临床分期、骨转移、治疗线数和ICI治疗;
将所述代表性的临床特征和增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果。
进一步,所述提取癌症患者的增强CT影像组学特征为基于加权多病灶方法提取影像组学特征,得到加权后的影像学组学特征,所述加权多病灶方法提取影像组学特征为:提取患者的增强CT影像中多个病灶的影像组学特征,并将所述多个病灶的影像组学特征自适应加权求和;
进一步,加权中的加权系数采用多示例学习注意力模型确定;所述多示例学习注意力模型由一个基于注意力加权机制的多层感知机分类器构成,所述多层感知机分类器由两层神经网络构成,第一层为隐藏层和激活函数构成,第二层为激活函数获得的全连接输出层;
可选的,加权系数的公式为其中K为病灶个数,w和V为注意力模型参数,tanh为神经网络的激活函数,hi为患者的单病灶的影像学特征;多层感知机分类器由两层神经网络构成,第一层为隐藏层和激活函数构成,第二层为激活函数获得的全连接输出层;优选的,所述多示例学习注意力模型构建中,第一层为隐藏层和ReLU激活函数构成,第二层为Softmax激活函数获得的全连接输出层,输出结局与免疫治疗的实际疗效结果相关联,用来获得反馈并优化网络参数。
进一步,所述基于加权多病灶方法提取影像组学特征为2个基于形状的特征,9个一阶特征和14个高阶纹理特征;优选的,所述影像组学特征见表2;
可选的,所述将所述加权后的影像组学特征输入对应的疗效结果预测模型中为将2个基于形状的特征、9个一阶特征和14个高阶纹理特征及5个代表性的临床特征输入对应的疗效结果预测模型中。
进一步,所述方法还包括对所述增强CT影像组学特征进行预处理,所述预处理包括保留ICC超过预定阈值的影像组学特征;和/或剔除相关系数大于规定阈值的影像组学特征;可选的,所述表达状态模型、疗效结果预测模型选自下列算法中的一种或几种:随机森林、逻辑回归、线性回归、多项式回归、逐步回归、岭回归、套索回归、弹性回归。
本申请的目的在于提供一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的系统,所述系统包括:
获取单元,用于获取待测癌症患者的增强CT影像;
特征提取单元,用于提取癌症患者的增强CT影像组学特征;
判断单元,用于将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型,得到患者PD-1/PD-L1表达结果;
预测单元,用于基于所述表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果,具体为:当表达结果为阳性,输入训练好的PD-1/PD-L1表达阳性疗效结果预测模型,当表达结果为阴性,输入训练好的PD-1/PD-L1表达阴性疗效结果预测模型。
本申请的目的在于提供一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的设备,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,实现上述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法。
本申请的优势:
1、本申请立足临床场景,将患者的临床数据输入训练好的PD-1/PD-L1表达状态模型中,先通过PD-1/PD-L1表达状态对患者进行分层,通过对患者的精准分层,分别输入构建好的PD-1/PD-L1表达阳性疗效结果预测模型和PD-1/PD-L1表达阴性疗效结果预测模型,获得癌症患者是否适合抗PD-1/PD-L1单抗治疗的分类结果,为癌症患者的精准治疗提供依据,该分层是结合抗PD-1/PD-L1单抗治疗的原理以及临床实践表明,PD-1/PD-L1表达状态不同对疗效结果预测影响非常明显,部分影像组学指标,在不同表达状态时反映不同的治疗结果;
2、本申请还通过研究发现较小的病变的影像组学特征也可以贡献较高的权重,这表明机器学习能够更好地识别最有助于区分DCB(持久临床获益)和NDCB(非持久临床获益)的病灶,但是目前常见的影像组学特征提取方法(如最大病灶法、平均多病灶法等)在特征提取时会忽略这些特征,从而导致后期构建的模型在判断的准确度上存在不足;
3、本申请还筛选出对患者是否适合抗PD-1/PD-L1单抗治疗的的五个临床特征:年龄(≤60或>60岁)、临床分期(III或IV期)、骨转移、治疗线数(1线、2线或3线及以上)和ICI治疗(是否使用帕博丽珠单抗,pembrolizumab)。结合影像组学特征和临床特征构建的综合模型,在预测癌症患者是否适合抗PD-1/PD-L1单抗治疗上具有更好的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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取其他的附图。
图1是本发明实施例提供的一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法的示意流程图;
图2是本发明实施例提供的一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的设备的示意框图;
图3是本发明实施例提供的一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S101、S102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果的方法的示意流程图,具体地,所述方法包括如下步骤:
S101:获取待测癌症患者的增强CT影像;
在一个实施例中,使用各种CT扫描仪对患者进行了从肺尖到肺基底部的增强胸部CT扫描。以一定速率(2.5毫升/秒)静脉注射80-100ml非离子造影剂(优维显300,拜耳先灵医药,德国;或碘佛醇320,恒瑞医药,中国)后35秒获得对比增强扫描。为了标准化CT设备的各种采集参数,将匿名化的原始医学数字成像和通信(DICOM)图像进行标准化,然后导入Dr.Wise研究平台,在该平台上通过肺部病变自动检测和自动分割算法以自动描绘病变。结果由一位具有16年影像诊断经验的高级胸部放射科医师在不了解治疗反应状态的情况下逐层确认和修改纵隔窗和肺窗设置的轴位图像的病变轮廓即感兴趣区域(ROI)。由具有5年影像诊断经验的第二位放射科医师随机选择和独立描绘病变的ROI(n=30),以使用组内相关系数(ICC)评估提取的影像组学特征的可靠性。ROI为根据瘤肺界面绘制,尽可能排除血管、支气管、肺不张等邻近组织。
在一个实施例中,获取待测癌症患者的临床数据。在一个具体实施例中,本申请回顾性分析了2015年6月至2020年11月在我院共309例经病理证实的晚期肺癌患者,他们接受了以下PD-1/PD-L1 ICI治疗之一:纳武单抗、帕博丽珠单抗、阿特珠单抗、杜瓦鲁单抗、替雷利珠单抗、派安普利单抗和信迪利单抗。排除标准如下:(1)基线CT检查与开始免疫治疗的时间间隔>28天;(2)治疗前基线增强胸部CT图像不可用;(3)图像质量差;(4)不能与周围组织准确区分的病灶;(5)在基线胸部CT扫描中,根据RECIST 1.1没有可测量的病灶;(6)随访时间<6个月。根据这些标准,符合调查条件的233例患者以8:2的比例随机分为训练组和内部测试组。通过电子病历系统收集患者的临床资料,包括以下特征:年龄、性别、吸烟史、临床分期、ICI治疗前转移部位、病理亚型、驱动基因突变、ICI治疗策略(使用的ICI药物、是否联合化疗)、治疗线数和PD-L1表达情况。临床分期根据美国癌症协会第八版肺癌分期指南确定,在驱动基因突变方面,包括EGFR、KRAS和ROS1突变状态。临床特征的定义和评分规则见表1。研究的终点是基于患者对免疫治疗反应的二分类状态。无进展生存期(PFS)至少达到6个月的患者被定义为具有持久临床获益(DCB)的组,无进展生存期(PFS)少于6个月的患者被定义为非持久临床获益(NDCB)的组。PFS定义为从ICI开始到患者死亡或肺癌进展之间的时间。所有患者在每个随访点的反应评估(完全缓解(CR)、部分缓解(PR)、疾病稳定(SD)和确诊的疾病进展(PD))由一名高级呼吸科医师(MC)和一名高级放射科医师(LS)根据实体瘤疗效评价标准1.1版(RECIST 1.1)中的反应标准评估。通过活检或切除标本的免疫组织化学染色测量PD-L1表达,评估需要至少100个肿瘤细胞(TC)。PD-L1表达量采用肿瘤比例评分(TPS)方法,定义为PD-L1阳性TCs占总TCs的百分比,分为两个水平表达即阴性表达(TPS<1%)、阳性表达(TPS≥1%)、阴性表达(TPS<50%)和阳性表达(TPS≥50%)。
表1
S102:提取癌症患者的增强CT影像组学特征;
在一个实施例中,所述提取癌症患者的增强CT影像组学特征是基于加权多病灶方法提取影像组学特征,得到加权后的影像学组学特征,所述加权多病灶方法提取影像组学特征为:提取患者的增强CT影像中多个病灶的影像组学特征,并将所述多个病灶的影像组学特征自适应加权求和;
在一个实施例中,所述基于加权多病灶方法提取影像组学特征为2个基于形状的特征,9个一阶特征和14个高阶纹理特征(具体见表2);可选的,所述将所述加权后的影像组学特征输入训练好的机器学习模型中为将2个基于形状的特征、9个一阶特征和14个高阶纹理特征及5个代表性的临床特征输入训练好的机器学习模型中。在一个具体实施例中,每个ROI共提取1454维影像组学特征(又称放射组学特征),包括一阶特征、基于形状的特征、灰度共生矩阵(GLCM)特征、灰度依赖矩阵(GLDM)特征、灰度游程矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)特征和相邻灰度色调差异矩阵(NGTDM)特征等高阶纹理特征。
在一个实施例中,所述方法还包括获取患者的增强CT影像后进行预处理,所述预处理包括保留ICC超过预定阈值的影像组学特征;和/或剔除相关系数大于规定阈值的影像组学特征。在一个具体实施例中,通过三个初步步骤保留了代表性的放射组学特征:1)保留了ICC超过0.80的特征;2)保留组间(DCB vs.NDCB)分析中P值小于0.05的特征;3)特征两两配对过程中,Pearson相关系数大于0.85的配对中,P值较大的特征被剔除。
在一个具体实施例中,为了探寻病灶特征与患者结局指标之间的关系,本申请对比了三种特征提取方法。(1)最大病灶方法(LL):仅选择最大(三维直径)目标病灶的放射组学特征。(2)平均多病灶方法(ML):为每个病例提取多达五个目标病灶的放射组学特征,并将其平均值作为最终的患者级特征。(3)加权多病灶方法(WL):为每个病例选择多达五个病灶的放射组学特征,并将它们的自适应加权和用作最终的患者级特征。加权系数由多示例学习注意力模型确定,该多示例学习注意力模型在训练过程中自动学习每个病变对结果的影响。
在一个实施例中,所述加权多病灶方法的计算公式为: 其中,z代表加权后的整合特征,ai,1为加权系数,hi,j为患者的单个病灶的影像学特征,K为病灶个数,病灶个数为1-5。加权中的加权系数采用多实例学习注意力模型确定;所述模型由一个基于注意力加权机制的多层感知机分类器构成;可选的,加权系数的公式为其中K为病灶个数,w和V为注意力模型参数,tanh为神经网络的激活函数,hi为患者的单病灶的影像学特征;多层感知机分类器由两层神经网络构成,第一层为隐藏层和ReLU激活函数构成,第二层为Softmax激活函数获得的全连接输出层。
S103:将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型,得到患者PD-1/PD-L1表达结果;
在一个实施例中,所述训练好的PD-1/PD-L1表达状态模型的构建方法包括:获取癌症患者的增强CT影像训练集,通过肿瘤组织的免疫组化检测结果将训练集分为PD-1/PD-L1表达阳性组和PD-1/PD-L1表达阴性组,提取癌症患者的增强CT影像组学特征,将所述影像组学特征输入分类器中,得到预测的分类结果,将预测的分类结果与免疫组化检测结果进行比对,优化分类器,得到训练好的PD-1/PD-L1表达状态模型。可选的,所述分类器可采用下列分类模型中的一种或几种:KNN、Bayesian、决策树(Decision Tree)、随机森林(Random Forest)、SVM、逻辑回归(Logistic regression)、Ensemble-Boosting、Ensemble-Bagging、线性回归、多项式回归、逐步回归、岭回归、套索回归、弹性回归。
在一个实施例中,所述将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型得到患者PD-1/PD-L1表达结果替换为基于临床信息得到患者PD-1/PD-L1表达结果:获取待测癌症患者的增强CT影像和PD-1/PD-L1表达状态临床信息;基于所述PD-1/PD-L1表达状态信息将患者分为PD-1/PD-L1表达阳性或PD-1/PD-L1表达阴性;提取癌症患者的增强CT影像组学特征;基于所述表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果。
S104:基于所述表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果,具体为:当表达结果为阳性,输入训练好的PD-1/PD-L1表达阳性疗效结果预测模型,当表达结果为阴性,输入训练好的PD-1/PD-L1表达阴性疗效结果预测模型。
在一个实施例中,所述疗效结果预测模型选自下列算法中的一种或几种:随机森林、逻辑回归、线性回归、多项式回归、逐步回归、岭回归、套索回归、弹性回归、多层感知机、极致梯度提升、支持向量机等。
在一个实施例中,所述方法还包括:获取待测癌症患者的增强CT影像;基于加权多病灶方法提取影像组学特征,得到加权后的影像学组学特征,所述加权多病灶方法提取影像组学特征为:提取患者的增强CT影像中多个病灶的影像组学特征,并将所述多个病灶的影像组学特征自适应加权求和;获取待测癌症患者的临床数据;提取代表性的临床特征,所述临床特征为:年龄、临床分期、骨转移、治疗线数和ICI治疗;将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型得到患者PD-1/PD-L1表达结果,或者基于临床数据得到患者PD-1/PD-L1表达结果;将所述代表性的临床特征和增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果。
在一个具体实施例中,所述临床特征为征:年龄(≤60或>60)、临床分期(III或IV)、骨转移、治疗线数(1线、2线或3线及以上)和ICI治疗(是否使用帕博丽珠单抗),所述加权后的影像组学特征包括使用LL(最大病灶)、ML(平均多个病灶)和WL(加权多个病灶)方法分别确定了三组具有代表性的放射组学特征。19个(1个基于形状的特征、10个一阶特征和8个高阶纹理特征)、21个(1个基于形状的特征、7个一阶特征和13个高阶纹理特征)和25个(2个基于形状的特征,9个一阶特征和14个高阶纹理特征)特征(具体见表2)。
表2
在一个具体实施例中,采用三种不同的影像组学特征(LL、ML或WL),比较不同的特征提取方法提取的特征在构建通用的疗效结果预测模型时三者的差异,结果显示,无论通用的疗效结果预测模型采用何种分类器,基于WL的模型的判别能力几乎在所有分类器中都优于其他两种方法,具体见表3。为了探究三种方法之间的差异,分别在来自DCB和NDCB组的患者的病变上可视化了具有最大负系数和正系数的两个放射组学特征。结果显示对数GLDM(SDHGLE)特征和小波GLCM(相关性)特征在ICI治疗前对代表性DCB和NDCB患者的可区分性,并且还显示了属性权重。本申请的结果发现,与NDCB中的病变相比,DCB中CT图像上的病变中存在更高的纹理模式异质性,此外,从WL方法获得的权重在大小病变之间非常不均匀,在大多数情况下,较大的权重归因于较小的病变。上述的结果在现有的研究中从未被发现。
表3
在一个具体实施例中,在两个队列通用的疗效结果预测模型中,分别基于临床特征(WL-逻辑回归-临床模型)、影像组学特征(WL-逻辑回归-影像组学模型)和综合模型(临床+影像组学,WL-逻辑回归-综合模型)与PFS密切相关。三种模型的风险率在验证队列中分别为:3.06、2.5和2.95,在测试队列中分别为:2.17、2.4和2.90。即临床+影像组学的WL-逻辑回归-综合模型具有更好的效果。上述结论为精准的PD-1/PD-L1表达阳性/阴性疗效结果预测模型的构建奠定基础。
在一个实施例中,所述PD-1/PD-L1表达阳性疗效结果预测模型的构建方法包括:获取癌症患者的增强CT影像训练集(接受抗PD-1/PD-L1单抗治疗的癌症患者数据,及对应的标签——DCB或NDCB,并且通过肿瘤组织的免疫组化检测结果筛选PD-1/PD-L1表达阳性的样本),提取癌症患者的增强CT影像组学特征,将所述影像组学特征输入分类器中,得到预测的分类结果,将预测的分类结果与免疫组化检测结果进行比对,优化分类器,得到训练好的PD-1/PD-L1表达阳性疗效结果预测模型。
在一个实施例中,所述PD-1/PD-L1表达阴性疗效结果预测模型的构建方法包括:获取癌症患者的增强CT影像训练集(接受抗PD-1/PD-L1单抗治疗的癌症患者数据,及对应的标签——DCB或NDCB,并且通过肿瘤组织的免疫组化检测结果筛选PD-1/PD-L1表达阴性的样本),提取癌症患者的增强CT影像组学特征,将所述影像组学特征输入分类器中,得到预测的分类结果,将预测的分类结果与免疫组化检测结果进行比对,优化分类器,得到训练好的PD-1/PD-L1表达阴性疗效结果预测模型。
在一个具体实施例中,获取待测癌症患者的增强CT影像和临床数据,分别提取癌症患者的增强CT影像组学特征和临床特征,进行患者分层(第一种:将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型,得到患者PD-1/PD-L1表达结果;第二种基于临床数据中肿瘤组织的免疫组化检测结果得到患者PD-1/PD-L1表达结果);基于所述表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果,具体为:当表达结果为阳性,输入训练好的PD-1/PD-L1表达阳性疗效结果预测模型,当表达结果为阴性,输入训练好的PD-1/PD-L1表达阴性疗效结果预测模型。
图2是本发明实施例提供的一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的设备,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,实现上述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法。
图3是本发明实施例提供的一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的系统,所述系统包括:
获取单元,用于获取待测癌症患者的增强CT影像;
特征提取单元,用于提取癌症患者的增强CT影像组学特征;
判断单元,用于将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型,得到患者PD-1/PD-L1表达结果;
预测单元,用于基于所述表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果,具体为:当表达结果为阳性,输入训练好的PD-1/PD-L1表达阳性疗效结果预测模型,当表达结果为阴性,输入训练好的PD-1/PD-L1表达阴性疗效结果预测模型。
在一个实施例中,所述系统包括:
第一获取单元:用于获取待测癌症患者的增强CT影像;
第二获取单元:用于获取待测癌症患者的临床数据;
第一特征提取单元:用于提取癌症患者的增强CT影像组学特征;优选的,多病灶方法提取影像组学特征,得到加权后的影像学组学特征;
第二特征提取单元:用于提取临床特征,所述临床特征包括年龄、临床分期、骨转移、治疗线数和ICI治疗;
分类单元:用于将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型得到患者PD-1/PD-L1表达结果,或者基于临床数据得到患者PD-1/PD-L1表达结果;
预测单元,用于基于所述分类单元得到的患者PD-1/PD-L1表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果,具体为:当表达结果为阳性,输入训练好的PD-1/PD-L1表达阳性疗效结果预测模型,当表达结果为阴性,输入训练好的PD-1/PD-L1表达阴性疗效结果预测模型。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法。
本验证实施例的验证结果表明,为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法,包括:
获取待测癌症患者的增强CT影像;
提取癌症患者的增强CT影像组学特征;
将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型,得到患者PD-1/PD-L1表达结果;
基于所述表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果,具体为:当表达结果为阳性,输入训练好的PD-1/PD-L1表达阳性疗效结果预测模型,当表达结果为阴性,输入训练好的PD-1/PD-L1表达阴性疗效结果预测模型。
2.根据权利要求1所述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法,其特征在于,所述训练好的PD-1/PD-L1表达状态模型的构建方法包括:获取癌症患者的增强CT影像训练集,通过肿瘤组织的免疫组化检测结果将训练集分为PD-1/PD-L1表达阳性组和PD-1/PD-L1表达阴性组,提取癌症患者的增强CT影像组学特征,将所述影像组学特征输入分类器中,得到预测的分类结果,将预测的分类结果与免疫组化检测结果进行比对,优化分类器,得到训练好的PD-1/PD-L1表达状态模型。
3.根据权利要求1所述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法,其特征在于,所述方法还包括:
获取待测癌症患者的临床数据;
提取代表性的临床特征,所述临床特征为:年龄、临床分期、骨转移、治疗线数和ICI治疗;
将所述代表性的临床特征和增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果。
5.根据权利要求4所述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法,其特征在于,加权中的加权系数采用多实例学习注意力模型确定;所述模型由一个基于注意力加权机制的多层感知机分类器构成,所述多层感知机分类器由两层神经网络构成,第一层为隐藏层和激活函数构成,第二层为激活函数获得的全连接输出层。
6.根据权利要求4所述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法,其特征在于,所述基于加权多病灶方法提取影像组学特征为2个基于形状的特征,9个一阶特征和14个高阶纹理特征;可选的,所述将所述加权后的影像组学特征输入对应的疗效结果预测模型中为将2个基于形状的特征、9个一阶特征和14个高阶纹理特征及5个代表性的临床特征输入对应的疗效结果预测模型中。
7.根据权利要求1所述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法,其特征在于,所述方法还包括对所述增强CT影像组学特征进行预处理,所述预处理包括保留ICC超过预定阈值的影像组学特征;和/或剔除相关系数大于规定阈值的影像组学特征;可选的,所述表达状态模型、疗效结果预测模型选自下列算法中的一种或几种:随机森林、逻辑回归、线性回归、多项式回归、逐步回归、岭回归、套索回归、弹性回归、多层感知机、极致梯度提升、支持向量机。
8.一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的系统,其特征在于,所述系统包括:
获取单元,用于获取待测癌症患者的增强CT影像;
特征提取单元,用于提取癌症患者的增强CT影像组学特征;
判断单元,用于将所述影像组学特征输入训练好的PD-1/PD-L1表达状态模型,得到患者PD-1/PD-L1表达结果;
预测单元,用于基于所述表达结果将癌症患者的增强CT影像组学特征输入对应的疗效结果预测模型,得到患者抗PD-1/PD-L1单抗治疗疗效分类结果,具体为:当表达结果为阳性,输入训练好的PD-1/PD-L1表达阳性疗效结果预测模型,当表达结果为阴性,输入训练好的PD-1/PD-L1表达阴性疗效结果预测模型。
9.一种用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的设备,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,实现权利要求1-7任意一项所述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-7任意一项所述的用于预测晚期癌症患者PD-1/PD-L1单抗治疗疗效的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213716.0A CN115440383B (zh) | 2022-09-30 | 2022-09-30 | 用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213716.0A CN115440383B (zh) | 2022-09-30 | 2022-09-30 | 用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115440383A true CN115440383A (zh) | 2022-12-06 |
CN115440383B CN115440383B (zh) | 2023-03-21 |
Family
ID=84251786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211213716.0A Active CN115440383B (zh) | 2022-09-30 | 2022-09-30 | 用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115440383B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994770A (zh) * | 2023-09-27 | 2023-11-03 | 四川省医学科学院·四川省人民医院 | 一种基于多维度分析的免疫人群确定方法和系统 |
CN115969464B (zh) * | 2022-12-26 | 2024-05-10 | 昆明理工大学 | 基于支持向量机回归的压电阻抗溶栓效果预测方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
US20200395097A1 (en) * | 2019-05-30 | 2020-12-17 | Tempus Labs, Inc. | Pan-cancer model to predict the pd-l1 status of a cancer cell sample using rna expression data and other patient data |
US20210090694A1 (en) * | 2019-09-19 | 2021-03-25 | Tempus Labs | Data based cancer research and treatment systems and methods |
CN112771581A (zh) * | 2018-07-30 | 2021-05-07 | 纪念斯隆凯特琳癌症中心 | 用于对免疫疗法和放射疗法的分割、结果预测和纵向应答监测的多模态、多分辨率深度学习神经网络 |
WO2022011616A1 (zh) * | 2020-07-15 | 2022-01-20 | 北京肿瘤医院(北京大学肿瘤医院) | 一种通过影像组学特征判断癌症治疗反应的方法及系统 |
CN114171197A (zh) * | 2021-11-12 | 2022-03-11 | 东莞市人民医院 | 一种乳腺癌her2状态的预测方法及相关设备 |
CN114445374A (zh) * | 2022-01-27 | 2022-05-06 | 大连医科大学附属第一医院 | 一种基于扩散峰度成像mk图的图像特征处理方法及系统 |
CN114613498A (zh) * | 2022-03-24 | 2022-06-10 | 中国人民解放军总医院第五医学中心 | 一种基于机器学习的辅助mdt临床决策方法、系统及设备 |
-
2022
- 2022-09-30 CN CN202211213716.0A patent/CN115440383B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112771581A (zh) * | 2018-07-30 | 2021-05-07 | 纪念斯隆凯特琳癌症中心 | 用于对免疫疗法和放射疗法的分割、结果预测和纵向应答监测的多模态、多分辨率深度学习神经网络 |
US20200395097A1 (en) * | 2019-05-30 | 2020-12-17 | Tempus Labs, Inc. | Pan-cancer model to predict the pd-l1 status of a cancer cell sample using rna expression data and other patient data |
US20210090694A1 (en) * | 2019-09-19 | 2021-03-25 | Tempus Labs | Data based cancer research and treatment systems and methods |
CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
WO2022011616A1 (zh) * | 2020-07-15 | 2022-01-20 | 北京肿瘤医院(北京大学肿瘤医院) | 一种通过影像组学特征判断癌症治疗反应的方法及系统 |
CN114171197A (zh) * | 2021-11-12 | 2022-03-11 | 东莞市人民医院 | 一种乳腺癌her2状态的预测方法及相关设备 |
CN114445374A (zh) * | 2022-01-27 | 2022-05-06 | 大连医科大学附属第一医院 | 一种基于扩散峰度成像mk图的图像特征处理方法及系统 |
CN114613498A (zh) * | 2022-03-24 | 2022-06-10 | 中国人民解放军总医院第五医学中心 | 一种基于机器学习的辅助mdt临床决策方法、系统及设备 |
Non-Patent Citations (3)
Title |
---|
张冰梅;刘万花;: "影像组学在乳腺癌诊疗中的研究进展" * |
谢志勇等: "基于机器学习的医学影像分析在药物研发和精准医疗方面的应用" * |
韩鹏;陈晨;崔滨滨;: "局部进展期直肠癌单纯应用新辅助化疗研究进展" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115969464B (zh) * | 2022-12-26 | 2024-05-10 | 昆明理工大学 | 基于支持向量机回归的压电阻抗溶栓效果预测方法和系统 |
CN116994770A (zh) * | 2023-09-27 | 2023-11-03 | 四川省医学科学院·四川省人民医院 | 一种基于多维度分析的免疫人群确定方法和系统 |
CN116994770B (zh) * | 2023-09-27 | 2024-01-02 | 四川省医学科学院·四川省人民医院 | 一种基于多维度分析的免疫人群确定方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115440383B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115440383B (zh) | 用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统 | |
Bitencourt et al. | AI-enhanced breast imaging: Where are we and where are we heading? | |
EP3685401B1 (en) | Method and apparatus for deriving a set of training data | |
Wang et al. | An integrated deep learning algorithm for detecting lung nodules with low-dose CT and its application in 6G-enabled internet of medical things | |
CN111210441A (zh) | 肿瘤预测方法、装置、云平台及计算机可读存储介质 | |
CN113017674B (zh) | 基于胸部ct图像的egfr基因突变检测方法和系统 | |
US20230112591A1 (en) | Machine learning based medical data checker | |
CN115668304A (zh) | 针对数字病理图像的空间特征分析 | |
Li et al. | A novel radiogenomics framework for genomic and image feature correlation using deep learning | |
CN115274119B (zh) | 一种融合多影像组学特征的免疫治疗预测模型的构建方法 | |
CN115440386B (zh) | 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果的方法及设备 | |
WO2022178329A1 (en) | Methods and related aspects for classifying lesions in medical images | |
Chen et al. | A YOLO-based AI system for classifying calcifications on spot magnification mammograms | |
Xu et al. | Immunotherapy efficacy prediction through a feature re-calibrated 2.5 D neural network | |
Narin et al. | The effect of hyper parameters on the classification of lung cancer images using deep learning methods | |
Reddy et al. | Categorization & recognition of lung tumor using machine learning representations | |
CN111436215A (zh) | 用于医学成像评估的深度学习的应用 | |
Subash et al. | Dual-stage classification for lung cancer detection and staging using hybrid deep learning techniques | |
CN112562851A (zh) | 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统 | |
Hsu et al. | A comprehensive study of age-related macular degeneration detection | |
Reddy et al. | Different algorithms for lung cancer detection and prediction | |
Jadhav et al. | Comparative Study of breast cancer detection methods | |
Cherezov | Spatial Heterogeneity Utilization in CT Images for Lung Nodule Classification | |
Nannapaneni et al. | Enhanced Image-based Histopathology Lung Cancer Detection | |
CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 |
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 |