CN116230215B - 一种卵巢透明细胞癌预测的设备、系统及可存储介质 - Google Patents

一种卵巢透明细胞癌预测的设备、系统及可存储介质 Download PDF

Info

Publication number
CN116230215B
CN116230215B CN202310506196.0A CN202310506196A CN116230215B CN 116230215 B CN116230215 B CN 116230215B CN 202310506196 A CN202310506196 A CN 202310506196A CN 116230215 B CN116230215 B CN 116230215B
Authority
CN
China
Prior art keywords
clear cell
clinical information
features
cell carcinoma
classification
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
CN202310506196.0A
Other languages
English (en)
Other versions
CN116230215A (zh
Inventor
何泳蓝
任静
李源
薛华丹
金征宇
李秀丽
毛丽
王琛
刘新宇
袁智琳
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.)
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
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 Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority to CN202310506196.0A priority Critical patent/CN116230215B/zh
Publication of CN116230215A publication Critical patent/CN116230215A/zh
Application granted granted Critical
Publication of CN116230215B publication Critical patent/CN116230215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种卵巢透明细胞癌预测的设备、系统及可存储介质。预测风险发生的设备包括：存储器和处理器。所述处理器用于调用程序指令，程序指令包括：获取上皮性卵巢癌患者的影像数据，对影像数据进行影像特征提取，得到放射组学特征；获取上皮性卵巢癌患者的临床信息，提取临床信息特征，所述临床信息特征包括下列特征中的一种或几种：CA‑125水平、子宫内膜异位症状态和高钙血症状态；将所述放射组学特征和所述临床信息特征输入分类器中，得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌。本发明从临床问题出发，提供一种卵巢透明细胞癌预测的二分类方法和有效的干预治疗措施，具有重要的临床应用价值。

Description

一种卵巢透明细胞癌预测的设备、系统及可存储介质
技术领域
本发明涉及智能医疗领域，更具体地，涉及一种卵巢透明细胞癌预测的设备、系统、计算机可读存储介质及其应用。
背景技术
卵巢癌（ovarian carcinoma, OA）是妇科三大恶性肿瘤之一，病死率居妇科恶性肿瘤之首。卵巢癌是一种异质性疾病，不同亚型卵巢癌的起源、病理级别、危险因素、治疗方案和预后显著不同。上皮卵巢癌（epithelial ovarian cancer, EOC）最为常见，约占90%，根据肿瘤细胞组织学，上皮性卵巢癌可分为浆液性囊腺癌（serous cystadenocarcinoma）（52%）、子宫内膜样癌（endometrial cancer）（10%）、粘液性囊腺癌（mucinouscystadenocarcinoma）（6%）、透明细胞癌（clear cell cancer）（6%），以及其他罕见或不明确的类型。
在临床实践中，不同亚型的鉴定主要基于活检，但是考虑到卵巢肿瘤的小组织取样和瘤内空间异质性，活检的可靠性有限。据报道，术中冰冻切片诊断卵巢透明细胞癌（OCCC）的准确率仅为41%，而大量其他亚型肿瘤在冰冻切片上容易被误诊为OCCC(误诊率=36%)。此外，对于可能患有早期疾病的患者，采用细针抽吸的方式进行病理分析，增加了囊肿破裂和恶性细胞流入腹膜腔的风险。
发明内容
卵巢透明细胞癌（ovarian clear cell carcinoma, OCCC）的发病率虽然较低，但是，发明人团队基于治疗方案选择的考虑，该病对常规化疗更具耐药性，需要早期识别上皮性卵巢癌中的OCCC，以便为OCCC患者评估最佳治疗方案并给予个性化治疗。
本发明方法基于患者影像数据和临床信息，开发了应用于上皮性卵巢癌亚型早期鉴定的设备，使用该设备辅助医生对上皮性卵巢癌的亚型做出更准确的诊断并指导医疗决策。
本发明公开一种卵巢透明细胞癌预测设备，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，用于执行以下卵巢透明细胞癌预测方法，包括：
获取上皮性卵巢癌患者的影像数据，对影像数据进行影像特征提取，得到放射组学特征；
获取上皮性卵巢癌患者的临床信息，提取临床信息特征，所述临床信息特征包括下列特征中的一种或几种：CA-125水平、子宫内膜异位症状态和高钙血症状态；
将所述放射组学特征和所述临床信息特征输入分类器中，得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌。
进一步，所述影像数据的获取来自下列方法中的一种或几种：电子计算机X射线断层扫描技术、核磁共振成像和多模式成像系统。
进一步，基于所述放射组学特征进行放射组学评分，将所述放射组学评分作为放射组学特征和所述临床特征输入分类器中，得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌。
进一步，所述放射组学评分的计算公式如下：
。
进一步，将所述放射组学评分作为放射组学特征和所述临床特征进行特征融合得到融合特征，基于所述融合特征得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌。
进一步，根据所述分类结果给出手术方案推荐：当所述分类结果是卵巢透明细胞癌，给予初次减瘤手术或给予初次减瘤手术及靶向用药；当所述分类结果不是卵巢透明细胞癌，给予新辅助化疗加中间减瘤手术。
进一步，所述新辅助化疗的药物包括下列一种或几种：氟尿嘧啶类药物、伊立替康、奥沙利铂。
进一步，所述靶向用药包括下列一种或几种：多靶点酪氨酸激酶抑制剂、PI3K/AKT/mTOR抑制剂、免疫检查点抑制剂。
进一步，所述分类器为分类模型，所述分类模型的构建方法为：
获取上皮性卵巢癌训练集，所述训练集包括患者影像数据、临床信息及患者对应的分类标签；
对所述影像数据中的放射组学特征进行特征提取，所述特征提取采用下列方法中的一种或几种模型：VGG、Inception、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet、ResNeXt、ResNeSt；
对所述临床信息中的临床信息特征进行特征提取，所述临床信息特征包括下列特征中的一种或几种：CA-125水平、子宫内膜异位症状态和高钙血症状态；
将所述放射组学特征和/或所述临床信息特征中CA-125水平、子宫内膜异位症状态和高钙血症状态中的一种或几种输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成损失函数，基于损失函数优化机器学习模型，得到训练好的分类模型；
所述分类标签可以是是否为卵巢透明细胞癌的二分类标签；或者所述分类标签为上皮性卵巢癌各亚型的多分类标签，训练时将卵巢透明细胞癌亚型作为第一分类，将其他亚型作为第二分类。
进一步，所述机器学习模型可采用下列分类模型中的一种或几种：KNN、决策树、随机森林、SVM、逻辑回归、Ensemble-Boosting、Ensemble-Bagging。
一种卵巢透明细胞癌预测系统，包括：
第一获取单元，用于获取上皮性卵巢癌患者的影像数据，对影像数据进行影像特征提取，得到放射组学特征；
第二获取单元，用于获取上皮性卵巢癌患者的临床信息，提取临床信息特征，所述临床信息特征包括下列特征中的一种或几种：CA-125水平、子宫内膜异位症状态和高钙血症状态；
分类单元，用于将所述放射组学特征和所述临床信息特征输入分类器中，得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌。
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卵巢透明细胞癌预测设备中的卵巢透明细胞癌预测方法。
本发明的优点：
1.本申请考虑到上皮性卵巢癌在治疗决策选择时的临床需求，创新性的开发了一种基于临床指标和影像组学指标将上皮性卵巢癌进行分类方法，该方法可以基于患者临床数据和影像组学信息判断患者是否为卵巢透明细胞癌，进而进行干预治疗；
2.本申请为了解决术中冷冻切片诊断OCCC的准确率低且增加了囊肿破裂风险的问题，开发了一种卵巢透明细胞癌预测设备，该设备基于患者影像数据和临床信息，能够无创的评估上皮性卵巢癌患者是否为卵巢透明细胞癌，帮助放射科医生做出客观的临床决策，决定采取何种干预治疗措施，并提出了具体的干预方案；
3.本申请还对放射组学特征进行加工，进而将放射组学评分和临床特征信息中CA-125水平、子宫内膜异位症状态和高钙血症状态中的一种或几种输入机器学习模型进行模型构建，帮助医生快速做出临床决策，为上皮性卵巢癌患者的健康保驾护航；
4.本申请为放射科医生提供了一种上皮性卵巢癌预测的装置，实验证明，放射科医生在该装置预测结果的帮助下，诊断灵敏度显著提高。
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是一种本发明实施例提供的预测卵巢透明细胞癌的设备示意图；
图2是一种本发明实施例提供的卵巢透明细胞癌预测方法的流程示意图；
图3是一种本发明实施例提供的预测卵巢透明细胞癌的系统示意图；
图4是一种本发明实施例提供的研究样本的选择和排除标准流程图（EOC，上皮性卵巢癌；OCCC，卵巢透明细胞癌）；
图5是一种本发明实施例提供的工作流程示意图，包括临床信息和CT图像采集、图像分割、特征提取、特征选择、模型建立和评估；
图6是一种本发明实施例提供的集成模型不同特征的重要性排序；
图7是一种本发明实施例提供的集成模型的预测概率分布和4个有代表性的患者CT图像。其中a显示了在训练、交叉验证和测试队列中OCCC和其他类型EOC患者的集成模型的预测概率分布，横轴表示预测概率，纵轴表示患者人数，其他类型EOC在Youden cut-offvalue左侧的患者和OCCC在Youden cut-off value右侧的患者被正确分类；b显示了4个典型患者CT图像；
图8是一种本发明实施例提供的模型和放射科医生之间的诊断性能比较示意图，展示了集成模型、临床模型、放射组学模型和5名放射科医生在诊断OCCC与其他类型EOC的ROC曲线。其中，空心点表示高年资和低年资放射科医生的表现，实心点表示高年资和低年资放射科医生在集成模型辅助下的表现，虚线连接了每位医生使用集成模型辅助前后的点。
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101、102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做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卵巢透明细胞癌预测设备，所述设备包括：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，用于执行以下卵巢透明细胞癌预测方法，所述方法流程图见图2，包括：
201：获取上皮性卵巢癌患者的影像数据，对影像数据进行影像特征提取，得到放射组学特征；
在一个实施例中，影像数据的获取来自下列方法中的一种或几种：电子计算机X射线断层扫描技术、核磁共振成像和多模式成像系统；
在一个实施例中，影像数据来源于肿瘤图像档案（The Cancer Imaging Archive,TCIA），TCIA是癌症研究的医学图像的开放获取数据库；
在一个实施例中，放射组学工作流程包括CT图像采集、图像分割、特征提取（一阶特征、形态特征、纹理特征）、特征选择、模型建立和评估；
在一个实施例中，收集了366名患者的信息，筛选出符合以下标准的患者信息：1）组织学验证的上皮性卵巢癌确诊患者；2）手术前两周内做过增强CT；3）有着详实完备的临床信息。在此基础上再排除符合下述标准之一的患者信息：1）在CT检查前已接受治疗（比如新辅助化疗）（n=67）；2）卵巢肿块被大量腹水掩盖（n=9）；3）CT上的明显伪影阻碍了放射特征的提取。最终，符合条件的患者共282名，他们被分为训练集（225名在2016年1月至2020年2月期间接受手术的患者）和测试集（57名在2020年3月至2021年5月期间接受手术的患者），见图4；
在一个实施例中，所有患者都在中国医学科学院北京协和医院接受单侧/双侧输卵管卵巢切除术，伴或不伴子宫切除术。通过术后病理切片的微形态学检查和免疫组织化学来确定组织学EOC亚型。使用最终的病理学报告作为参考标准，将患者分为OCCC亚型和其他类型的卵巢上皮性癌；上皮性卵巢癌（epithelial ovarian cancer, EOC）包括至少五种组织学亚型:高级浆液性、透明细胞性、子宫内膜样、粘液性和低级浆液性癌；
在一个实施例中，患者使用三台128层CT扫描仪(Siemens Somatom DefinitionFlash; Siemens AG, Erlangen, Germany)。采集参数如下:管电压，120 kV，自动管电流调制激活；准直，128◊0.6mm；旋转时间，0.5s；螺距，0.9–1.0:1；切片厚度，5.0毫米；患者静脉注射1.3毫升/千克的非离子碘化造影剂，其上限为80毫升，注射速率为2.5毫升/秒。在注射造影剂60秒后进行门静脉期扫描。从图片存档和通信系统中检索门静脉的医学数字成像和通信图像以进行放射组学分析；
在一个实施例中，所有CT数据均已匿名并上传至Dr. Wise研究平台（DeepwiseInc., https://research.deepwise.com）。一位具有妇科CT解释五年经验的低年资放射科医生沿着肿瘤边界逐层勾画病变轮廓。
此后，每个分割都由一名具有19年妇科CT解释经验的资深放射科医生验证。两周后，同一位低年资放射科医生和另一位具有八年妇科CT解释经验的放射科医生对从训练集中随机选择的30名患者进行分割任务，以计算提取的放射特征的组间和组内相关系数，用于再现性评估。这三名放射科医生了解病理报告，以确保每个分割的病变与病理结果中报告的病变一致。
在一个实施例中，所有原始CT图像被重新采样为1×1×1的像素间距，以补偿空间分辨率不一致产生的副作用。使用小波分解和不同sigma值的高斯滤波器的拉普拉斯算子来增强原始图像中的特征识别。随后，使用Python的PyRadiomics包(https://PyRadiomics. readthedocs . io)从术前门静脉期CT图像上描绘的每个肿瘤区域提取总共1218个放射特征，包括252个一阶、 14个基于形状、308个灰度级共生矩阵、224个灰度级大小区域矩阵、224个灰度级游程长度矩阵和196个灰度级相关性矩阵特征；组间和组内相关系数均≥0.8的放射特征才被保留，因为它们具有良好的再现性。使用Z-score标准化对包含的放射特征进行标准化；然后，基于f检验方法，包含从小波分解图像中提取的四个放射性特征以产生放射性特征。使用以下公式计算每个病变的放射组学特征:
。
202：获取上皮性卵巢癌患者的临床信息，提取临床信息特征，所述临床信息特征包括下列特征中的一种或几种：CA-125水平、子宫内膜异位症状态和高钙血症状态；
在一个实施例中，临床信息分析流程包括临床信息采集、特征提取、特征选择、模型建立和评估；
在一个实施例中，病人的临床信息包括年龄、肿瘤直径、肿瘤标志物CA-125水平、肿瘤标志物CA-199水平、子宫内膜异位状态、静脉血栓状态、高钙血症状态、卵巢癌FIGO分期；
在一个实施例中，上述282名患者的平均年龄为53.72 ± 11.02 岁，携带 347 个卵巢病变，其中 65 个 (18.7%) 为 OCCC，282 个 (81.3%) 为其他 EOC 类型（239 个HGSC、31 个子宫内膜样癌、6 个粘液癌和 6 个低级别浆液性癌）。训练集 225 名患者中有50 名 (22.2%) 患有 OCCC，与测试集的比例相似（57 名患者中有 13 名或 22.8%；p=1.000）。 OCCC 病变直径明显大于非 OCCC EOC。 OCCC患者术前CA-125水平明显低于其他EOC类型的患者，而OCCC患者术前CA-199水平显著高于其他EOC类型的患者。子宫内膜异位症在 OCCC 患者中比在其他 EOC 类型患者中更常见（36.5% 对 5.0%）。根据外科病理学的FIGO 分期，OCCC 患者的分期较其他EOC亚型要早。静脉血栓栓塞和高钙血症并发症的发生率在两组之间没有显着差异。除病变直径和 FIGO 分期外，训练集和测试集在人口统计学和临床特征方面没有显着差异，见表1。
203：将所述放射组学特征和所述临床信息特征输入分类器中，得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌；
在一个实施例中，基于所述放射组学特征进行放射组学评分，将所述放射组学评分作为放射组学特征和所述临床特征输入分类器中，得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌；
在一个实施例中，使用所述放射组学特征构建放射组学模型，使用所述临床特征构建临床模型如图5所示；
在一个实施例中，将所述放射组学评分作为放射组学特征和所述临床特征进行特征融合得到融合特征，基于所述融合特征得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌；
在一个实施例中，使用所述融合特征构建集成模型如图5所示，集成模型中每个特征的权重如图6所示，集成模型的预测概率分布和患者的四张代表性CT图像如图7所示，其中a显示了在训练、交叉验证和测试队列中 OCCC 和其他类型 EOC 患者的集成模型的预测概率分布。横轴表示预测概率，纵轴表示患者数。 Youden 临界值线左侧的其他类型 EOC患者和 Youden 临界值线右侧的 OCCC 患者被正确分类；其中b显示了患者的四张上皮性卵巢癌CT图，左上为正确识别的OCCC患者CT图、右上为患有其他类型EOC被错误分类为OCCC患者CT图、左下为患有OCCC被错误分类为其他类型EOC患者、右下为正确识别的其他类型EOC患者CT图；
在一个实施例中，测试集结果显示：集成模型的 AUC 为 0.863（95% CI：0.762–0.964），准确性为 77.0%，灵敏度为 64.3%，特异性为 80.0%。 集成模型显示出比临床模型（AUC：0.792）或放射组学模型（AUC：0.781）更好的诊断性能，尽管差异不显著。集成模型比临床模型具有更高的准确性（77.0% 对 73.0%）以及更高的特异性（80.0% 对 71.7%），尽管其敏感性较低（64.3% 对 78.6%），详见表2，三种模型的ROC曲线如图8所示，图8中，空心点表示高年资和低年资放射科医生的表现，而实心点表示高年资和低年资放射科医生在集成模型辅助下的表现。虚线连接了每位医生使用集成模型辅助前后的点；
缩略语: AUC :曲线下面积（Area Under the Curve）; CI :置信区间（confidence interval）。
在一个实施例中，分类模型的构建方法为：
获取卵巢透明细胞癌训练集，所述训练集包括患者影像数据、临床信息及患者对应的分类标签；
对所述影像数据中的放射组学特征进行特征提取，所述特征提取采用下列方法中的一种或几种模型：VGG、Inception、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet、ResNeXt、ResNeSt；
对所述临床信息中的临床信息特征进行特征提取，所述临床信息特征包括下列特征中的一种或几种：CA-125水平、子宫内膜异位症状态和高钙血症状态；
将所述放射组学特征和/或所述临床信息特征中CA-125水平、子宫内膜异位症状态和高钙血症状态中的一种或几种输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成损失函数，基于损失函数优化机器学习模型，得到训练好的分类模型；
在一个实施例中，所述机器学习模型可采用下列分类模型中的一种或几种：KNN、决策树、随机森林、SVM、逻辑回归、Ensemble-Boosting、Ensemble-Bagging；
在一个实施例中，为评估集成模型的临床实用性，将模型的诊断结果与放射科医生的诊断结果进行了比较，如表3所示，高年资和低年资放射科医生的平均特异性均高于集成模型，而平均灵敏度低于集成模型。集成模型的性能指标与高年资和低年资放射科医生的性能指标没有显著差异（所有p>0.05）；
表注: p值是与集成模型比较通过McNemar检验计算得到的。
在一个实施例中，比较了使用和不使用集成模型的放射科医生的诊断水平，如表4所示：在集成模型的帮助下，两位资深放射科医生的灵敏度明显更高（28.6% 对 78.6%，p=0.023，50.0% 对 92.9%，p=0.041），准确度相当（86.5% 对 89.2%， p=0.773，78.4% 对83.8%，p=0.343），特异性相当（100.0% 对 91.7%，p=0.074，85.0% 对 81.7%，p=0.617）。两名低年资放射科医生在模型辅助下获得了更高的诊断灵敏度（35.7% 对 78.6%，p=0.041；以及 42.9% 对 85.7%，p=0.041），而另一名具有相似的灵敏度（50.0% 对 64.3%，p=0.617）。所有三位有模型辅助的低年资放射科医生在没有模型辅助的情况下都具有相当的诊断准确性和特异性（所有 p > 0.05）。在集成模型的帮助下，高年资和低年资放射科医生都获得了更高的灵敏度；
表注: McNemar检验显著结果用粗体突出显示。
在一个实施例中，根据分类结果给出手术方案推荐：当所述分类结果是卵巢透明细胞癌，给予初次减瘤手术；当所述分类结果不是卵巢透明细胞癌，给予新辅助化疗加中间减瘤手术；当所述分类结果是卵巢透明细胞癌，给予初次减瘤手术及靶向用药；当分类结果不是卵巢透明细胞癌，首先给予新辅助化疗，当PIV评分＜8时，再给予减瘤手术。
在一个实施例中，所述初次减瘤手术的治疗方法是指通过外科手术切除肿瘤累及的所有病灶，可能需要切除的器官包括受累的肠管、阑尾、受累的脾脏、胆囊、部分肝脏、部分胃、部分膀胱、胰尾、输尿管，以及可能要剥除部分膈肌和腹膜。
在一个实施例中，所述新辅助化疗的药物包括下列一种或几种：氟尿嘧啶类药物、伊立替康、奥沙利铂。氟尿嘧啶类药物为嘧啶类的氟化物，属于抗代谢抗肿瘤药，能抑制胸腺嘧啶核苷酸合成酶，阻断脱氧嘧啶核苷酸转换成胸腺嘧啶核苷核，干扰DNA合成，对RNA的合成也有一定的抑制作用；伊立替康是喜树碱的半合成衍生物，它是一种无活性的前体药物，广泛应用于肿瘤的一线、二线、三线化疗，如肺癌、消化道以及妇科肿瘤；奥沙利铂是第三代铂类抗癌药，是二氨基环己烷的铂类化合物，通过产生水化衍生物作用于DNA，形成链内和链间交联，从而抑制DNA 的合成，产生细胞毒作用和抗肿瘤活性。
在一个实施例中，所述靶向用药是采用以下一种或多种抑制剂的靶向治疗方法，所述抑制剂有多靶点酪氨酸激酶抑制剂、PI3K/AKT/mTOR抑制剂、免疫检查点抑制剂。酪氨酸激酶（tyrosine kinase，TKs) 是细胞信号转导途径中的重要因子，参与调节细胞生长，分化和凋亡等一系列生理生化过程；PI3K/AKT/mTOR 通路在人类癌症中经常被激活，在细胞生长、增殖、运动、存活、凋亡、自噬和血管生成中起关键作用；免疫检查点( checkpoint)是指在免疫细胞上表达、能调节免疫激活程度的一系列分子，它们对防止自身免疫作用的发生(免疫功能发生异常，对正常细胞发动攻击)起重要作用。
腹腔镜预测值（laparoscopic predictive index value, PIV）是由意大利学者Fagotti于2005年首次提出的用于评估晚期卵巢癌患者是否能够完成肿瘤细胞减灭手术，该指标在卵巢癌的临床诊断中得到了广泛应用。PIV以7个相关参数进行复制累加计算预测值，所述参数为：大网膜饼或结节、腹膜转移瘤、横膈转移瘤、肠系膜挛缩、肠管浸润、胃浸润、肝转移。当PIV＜8分时考虑初次减瘤手术；PIV≥8分建议先行3~4个周期新辅助化疗。
图3是本发明实施例提供的一种卵巢透明细胞癌预测系统，包括：
301：第一获取单元，用于获取上皮性卵巢癌患者的影像数据，对影像数据进行影像特征提取，得到放射组学特征；
302：第二获取单元，用于获取上皮性卵巢癌患者的临床信息，提取临床信息特征，所述临床信息特征包括下列特征中的一种或几种：CA-125水平、子宫内膜异位症状态和高钙血症状态；
303：分类单元，用于将所述放射组学特征和所述临床信息特征输入分类器中，得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌；
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卵巢透明细胞癌预测方法。
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 (8)

1.一种卵巢透明细胞癌预测设备，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，用于执行以下卵巢透明细胞癌预测方法，包括：
获取上皮性卵巢癌患者的影像数据，对影像数据进行影像特征提取，得到放射组学特征；基于所述放射组学特征进行放射组学评分，所述放射组学评分的计算公式如下：放射组学评分＝1/(1+exp[0.464+1.192×wavelet-LLL_first-order_90Percentile+0.294×wavelet-LLL_glcm_JointEnergy+0.146×wavelet-
HLL_glcm_Imc2+0.556×wavelet-LHH_glcm_SumEntropy])；
获取上皮性卵巢癌患者的临床信息，提取临床信息特征，所述临床信息特征为CA-125水平、子宫内膜异位症状态和高钙血症状态；
将所述放射组学评分作为放射组学特征和所述临床信息特征输入分类器中，得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌；根据所述分类结果给出手术方案推荐：当所述分类结果是卵巢透明细胞癌，给予初次减瘤手术；当所述分类结果不是卵巢透明细胞癌，给予新辅助化疗加中间减瘤手术；
所述分类器为分类模型，所述分类模型的构建方法为：
获取上皮性卵巢癌数据集，所述上皮性卵巢癌数据集包括上皮性卵巢癌患者的影像数据、上皮性卵巢癌患者的临床信息及患者是否为卵巢透明细胞癌的分类标签；
对所述影像数据中的放射组学特征进行特征提取；
对所述临床信息中的临床信息特征进行特征提取，所述临床信息特征包括CA-125水平、子宫内膜异位症状态和高钙血症状态；
将所述放射组学特征和所述临床信息特征中CA-125水平、子宫内膜异位症状态和高钙血症状态输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成损失函数，基于损失函数优化机器学习模型，得到训练好的分类模型。
2.根据权利要求1所述的卵巢透明细胞癌预测设备，其特征在于，将所述放射组学评分作为放射组学特征和所述临床信息特征进行特征融合得到融合特征，基于所述融合特征得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌。
3.根据权利要求1所述的卵巢透明细胞癌预测设备，其特征在于，当所述分类结果是卵巢透明细胞癌，给予初次减瘤手术及靶向用药；当分类结果不是卵巢透明细胞癌，首先给予新辅助化疗，当PIV评分＜8时，再给予减瘤手术。
4.根据权利要求3所述的卵巢透明细胞癌预测设备，其特征在于，所述新辅助化疗的药物包括下列一种或几种：氟尿嘧啶类药物、伊立替康、奥沙利铂；所述靶向用药包括下列一种或几种：多靶点酪氨酸激酶抑制剂、PI3K/AKT/mTOR抑制剂、免疫检查点抑制剂。
5.根据权利要求1所述的卵巢透明细胞癌预测设备，其特征在于，所述分类模型的构建方法中对所述影像数据中的放射组学特征进行特征提取，采用下列模型中的一种或几种模型：VGG、Inception、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet、ResNeXt、ResNeSt。
6.根据权利要求1所述的卵巢透明细胞癌预测设备，其特征在于，所述机器学习模型采用下列模型中的一种或几种：KNN、决策树、随机森林、SVM、逻辑回归、Ensemble-Boosting、Ensemble-Bagging。
7.一种卵巢透明细胞癌预测系统，包括：
第一获取单元，用于获取上皮性卵巢癌患者的影像数据，对影像数据进行影像特征提取，得到放射组学特征，基于所述放射组学特征进行放射组学评分，所述放射组学评分的计算公式如下：放射组组学评分＝1/(1+exp[0.464+1.192×wavelet-LLL_first-order_90Percentile+0.294×wavelet-
LLL_glcm_JointEnergy+0.146×wavelet-HLL_glcm_Imc2+0.556×wavelet-
LHH_glcm_SumEntropy])；
第二获取单元，用于获取上皮性卵巢癌患者的临床信息，提取临床信息特征，所述临床信息特征为CA-125水平、子宫内膜异位症状态和高钙血症状态；
分类单元，用于将所述放射组学评分作为放射组学特征和所述临床信息特征输入分类器中，得到分类结果，所述分类结果为上皮性卵巢癌患者是否为卵巢透明细胞癌；根据所述分类结果给出手术方案推荐：当所述分类结果是卵巢透明细胞癌，给予初次减瘤手术；当所述分类结果不是卵巢透明细胞癌，给予新辅助化疗加中间减瘤手术；所述分类器为分类模型，所述分类模型的构建方法为：获取上皮性卵巢癌数据集，所述上皮性卵巢癌数据集包括上皮性卵巢癌患者的影像数据、上皮性卵巢癌患者的临床信息及患者是否为卵巢透明细胞癌的分类标签；对所述影像数据中的放射组学特征进行特征提取；对所述临床信息中的临床信息特征进行特征提取，所述临床信息特征包括CA-125水平、子宫内膜异位症状态和高钙血症状态；将所述放射组学特征和所述临床信息特征中CA-125水平、子宫内膜异位症状态和高钙血症状态输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成损失函数，基于损失函数优化机器学习模型，得到训练好的分类模型。
8.一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1-6任意一项所述的卵巢透明细胞癌预测设备中的卵巢透明细胞癌预测方法。
CN202310506196.0A 2023-05-08 2023-05-08 一种卵巢透明细胞癌预测的设备、系统及可存储介质 Active CN116230215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310506196.0A CN116230215B (zh) 2023-05-08 2023-05-08 一种卵巢透明细胞癌预测的设备、系统及可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310506196.0A CN116230215B (zh) 2023-05-08 2023-05-08 一种卵巢透明细胞癌预测的设备、系统及可存储介质

Publications (2)

Publication Number Publication Date
CN116230215A CN116230215A (zh) 2023-06-06
CN116230215B true CN116230215B (zh) 2023-08-18

Family

ID=86587633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310506196.0A Active CN116230215B (zh) 2023-05-08 2023-05-08 一种卵巢透明细胞癌预测的设备、系统及可存储介质

Country Status (1)

Country Link
CN (1) CN116230215B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116855605A (zh) * 2023-06-13 2023-10-10 中国医学科学院北京协和医院 Aoc1作为区分卵巢透明细胞癌和高级别浆液性癌的标志物的应用

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110880356A (zh) * 2018-09-05 2020-03-13 南京格致基因生物科技有限公司 对卵巢癌进行筛查、诊断或风险分级的方法和装置
CN110930402A (zh) * 2019-12-11 2020-03-27 大连医科大学附属第一医院 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法
KR20210061066A (ko) * 2019-11-19 2021-05-27 서울대학교산학협력단 상피성 난소암 예후 예측 방법 및 장치
CN115132344A (zh) * 2022-05-12 2022-09-30 温州医科大学附属第一医院 基于超声组学的卵巢癌分类方法及预测模型评估方法
CN115440386A (zh) * 2022-09-30 2022-12-06 中国医学科学院北京协和医院 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
CN115937130A (zh) * 2022-11-29 2023-04-07 大连医科大学附属第一医院 基于双能CT预测卵巢癌Ki-67表达的图像处理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11705226B2 (en) * 2019-09-19 2023-07-18 Tempus Labs, Inc. Data based cancer research and treatment systems and methods
CN111178449B (zh) * 2019-12-31 2021-11-05 浙江大学 结合计算机视觉特征和影像组学特征的肝癌图像分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110880356A (zh) * 2018-09-05 2020-03-13 南京格致基因生物科技有限公司 对卵巢癌进行筛查、诊断或风险分级的方法和装置
KR20210061066A (ko) * 2019-11-19 2021-05-27 서울대학교산학협력단 상피성 난소암 예후 예측 방법 및 장치
CN110930402A (zh) * 2019-12-11 2020-03-27 大连医科大学附属第一医院 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法
CN115132344A (zh) * 2022-05-12 2022-09-30 温州医科大学附属第一医院 基于超声组学的卵巢癌分类方法及预测模型评估方法
CN115440386A (zh) * 2022-09-30 2022-12-06 中国医学科学院北京协和医院 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
CN115937130A (zh) * 2022-11-29 2023-04-07 大连医科大学附属第一医院 基于双能CT预测卵巢癌Ki-67表达的图像处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
爱德华•C•海普林 等.《Perez和Brady放射肿瘤学原理和实践 第6版 下》.天津科技翻译出版有限公司,2019,第1763-1764页. *

Also Published As

Publication number Publication date
CN116230215A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Zhang et al. Contrast‐enhanced CT radiomics for preoperative evaluation of microvascular invasion in hepatocellular carcinoma: a two‐center study
CN106846317B (zh) 一种基于特征提取和相似匹配的医学影像检索方法
JP6865678B2 (ja) 縦断的特徴に基づく関心組織の健康状態の分類
CN116230215B (zh) 一种卵巢透明细胞癌预测的设备、系统及可存储介质
Cheung et al. Challenges and opportunities for artificial intelligence in oncological imaging
CN115527683A (zh) 基于人工智能预测肝癌患者仑伐替尼靶向治疗效果的方法
Chen et al. Automatic detection of stroke lesion from diffusion-weighted imaging via the improved YOLOv5
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
Yang et al. Automatic T staging using weakly supervised deep learning for nasopharyngeal carcinoma on MR images
Artzi et al. Automatic segmentation, classification, and follow‐up of optic pathway gliomas using deep learning and fuzzy c‐means clustering based on MRI
Zhang et al. Radiomics features predict CIC mutation status in lower grade glioma
Zhao et al. TCGA-TCIA–Based CT Radiomics Study for Noninvasively Predicting Epstein-Barr Virus Status in Gastric Cancer
Mitra et al. Integrating radio imaging with gene expressions toward a personalized management of cancer
Li et al. Combination of 18f-fluorodeoxyglucose pet/ct radiomics and clinical features for predicting epidermal growth factor receptor mutations in lung adenocarcinoma
Qiao et al. Artificial intelligence algorithm-based computerized tomography image features combined with serum tumor markers for diagnosis of pancreatic cancer
Wang et al. Lung cancer subtype diagnosis by fusing image-genomics data and hybrid deep networks
Zou et al. Multi-task deep learning based on T2-Weighted Images for predicting Muscular-Invasive Bladder Cancer
Hu et al. Dual attention guided multiscale neural network trained with curriculum learning for noninvasive prediction of Gleason Grade Group from MRI
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
Kirilov et al. Conceptual model of integrated approach for in silico knowledge data discovery for breast cancer diagnostics and precision therapy
Affane et al. Robust deep 3-d architectures based on vascular patterns for liver vessel segmentation
Guan et al. Evaluation of Epidermal Growth Factor Receptor 2 Status in Gastric Cancer by CT-Based Deep Learning Radiomics Nomogram
Li et al. Gleason grading of prostate cancer based on improved AlexNet
Wang et al. Correlation Analysis of Gene and Radiomic Features in Colorectal Cancer Liver Metastases
Chen et al. Genetic algorithm in data mining of colorectal images

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