CN116612881A - 执行肺结节评估的方法 - Google Patents

执行肺结节评估的方法 Download PDF

Info

Publication number
CN116612881A
CN116612881A CN202310138407.XA CN202310138407A CN116612881A CN 116612881 A CN116612881 A CN 116612881A CN 202310138407 A CN202310138407 A CN 202310138407A CN 116612881 A CN116612881 A CN 116612881A
Authority
CN
China
Prior art keywords
lung
classifier
scan
blood
markers
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310138407.XA
Other languages
English (en)
Inventor
菲利普·赫尔策
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.)
Siemens Healthineers AG
Original Assignee
Siemens Healthineers AG
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 Siemens Healthineers AG filed Critical Siemens Healthineers AG
Publication of CN116612881A publication Critical patent/CN116612881A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57423—Specifically defined cancers of lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Surgery (AREA)
  • Food Science & Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biochemistry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Analytical Chemistry (AREA)
  • Hospice & Palliative Care (AREA)
  • Oncology (AREA)
  • Medicinal Chemistry (AREA)
  • Biotechnology (AREA)

Abstract

本发明提供了一种执行肺结节评估的方法，该方法包括以下步骤：从成像模态(21)获得患者(P)的肺扫描(PS)；从血液分析模态(22)获得该患者(P)的血液检测套餐(BP)；以及在分类器(1)中处理肺扫描(PS)和血液检测套餐(BP)，该分类器(1)被训练成基于肺扫描(PS)和血液检测套餐(BP)来评估肺结节(N)。本发明还描述了训练这样的分类器(1)的方法和肺结节评估装置(2)。

Description

执行肺结节评估的方法
技术领域
本发明涉及执行肺结节评估的方法、训练用于执行肺结节评估的方法的分类器的方法、肺结节评估装置、计算机程序产品和计算机可读介质。
背景技术
为了患者被成功治疗，在早期阶段检测肺癌是重要的。如果及早发现，治愈肺癌的可能性远高于晚期。肺癌可以从肺结节发展而来，肺结节可以在诸如2D X射线图像、3D计算机断层扫描或者使用诸如磁共振成像、超声、光声断层扫描、扩散加权断层扫描、正电子发射断层扫描等技术获得的任何扫描的肺扫描中可见。
然而，许多其他疾病也可能导致肺结节的形成。例如，肺结节可能由分枝杆菌感染、真菌感染、圆形肺炎、肺脓肿、脓毒性栓塞、诺卡氏菌感染、包虫囊肿或包虫病、贝氏柯克斯体Q热(Q fever from coxiella burnetii)等引起。肺结节也可能由免疫系统病症例如类风湿性关节炎、肉芽肿性多血管炎、结节性结节病、机化性肺炎(隐源性或继发性)、淋巴样肉芽肿病、坏死性结节病样肉芽肿病引起。肺结节的其他病因可能是先天性异常，例如动静脉畸形、支气管囊肿、肺隔离症、肺静脉曲张、支气管闭锁伴支气管囊肿；未来的病因可能是圆形肺不张、实质内淋巴结、进行性肿块纤维化、炎性假瘤、淀粉样变性、类脂性肺炎等。
可以在诸如X射线图像或CT图像的肺扫描中检测肺部结节或肺结节。然而，良性结节在外观方面与恶性结节类似。已知在考虑关于患者的其他信息(例如，患者的年龄、吸烟史等)的情况下估计肺部结节的基于图像的恶性评分或“风险评分”。这样的方法的示例是Mayo/Swensen模型、Brock模型和VA(退伍军人管理局)模型。然而，绝大多数检测到的肺部结节(80％至95％)是良性的，使得估计的风险评分常常不正确。为了改善肺部结节分类，已知将图像标记信息(例如，从CT肺扫描中标识的标记或特征)和血液标记信息(例如，诸如在血液测试或血液检测套餐(blood panel)中标识的基因组标记、表观基因组标记、转录组标记、代谢组标记或蛋白质组标记的标记或特征)组合，以获得更准确的风险评分。然而，已知技术的准确性取决于血液标记数据的相关性以及取决于临床医生评估肺结节背景下的附加信息的能力。即使利用这种组合的方法，误诊率仍然高得无法接受，从而导致假阳性诊断，而且导致假阴性诊断。
假阳性误诊(肺结节被赋予高风险评分)通常会导致患者的后续治疗需要更多的费用、额外的辐射暴露，并且还可能导致手术并发症。除了不必要治疗的高额费用之外，患者可能会不必要地遭受心理焦虑。假阴性误诊(肺结节被赋予低风险评分)可能意味着早期肺癌仍然未被检测到，这可能导致患者(特别是对于没有参加常规筛查项目的患者)的前景显著恶化。
人工智能(AI)可以应用于分析大量数据，以便标识否则使用常规“手动”技术难以或不可能检测到的关系。例如，AI分类器可以被训练成识别输入数据中的某种类型的模式。分类器可以以各种方式被实现为例如决策树、支持向量机、贝叶斯分类器、神经网络等。已知使用AI分析肺扫描以便标识肺结节。然而，由于“无害”的肺结节通常在视觉上无法与恶性癌区分开，因此这样的方法的临床有用性是有限的。
发明内容
因此，本发明的目的是提高肺部结节分类的准确性。
该目的通过所要求保护的执行肺结节评估的方法、所要求保护的训练分类器的方法以及所要求保护的肺结节评估装置来实现。
根据本发明，执行肺结节评估的方法包括以下步骤：从成像模态获得患者的肺扫描；获得该患者的血液检测套餐；在诸如残差神经网络(ResNet)、卷积神经网络、贝叶斯分类器等的AI分类器中处理肺扫描和血液检测套餐。分类器被训练成：基于肺扫描和血液检测套餐来评估肺结节，并且以有意义的方式(例如作为癌症风险评分、作为恶性肿瘤的概率等)输出分类的结果。
肺扫描(或“肺部扫描”)可以是诸如胸腔的X射线的2D图像、诸如肺部CT(计算机断层扫描)扫描的3D图像等。术语“肺扫描”和“肺部扫描”是同义词，并且在本文中可以互换使用。类似地，术语“肺结节”和“肺部结节”可以互换使用。
如以上所说明的，肺结节可能指示癌症，但同样可能与非癌症病症有关，即肺结节通常是不确定的。本发明方法将成像信息和实验室诊断信息结合起来，以管理不确定的肺部结节，即得出肺部结节的可靠评估(例如，风险评分)。本发明方法的优点在于其可靠地区分良性肺结节和恶性肺结节。通过应用机器学习，AI分类器能够标识肺扫描和血液检测套餐中的信息，并且能够将该信息进行组合以得出对肺结节的准确评估。
根据本发明，训练用于本发明肺结节评估方法的分类器的方法包括以下步骤：
A)注释肺扫描以标识肺结节以及与肺结节相关联的多个图像标记；
B)注释血液检测套餐以标识与肺癌相关联的多个血液标记；
C)确定对肺结节的评估，以由分类器用作真值(ground truth)；
D)将分类器应用于肺扫描、血液检测套餐和相关联的真值；以及
重复步骤A至D，直到已经达到期望的准确性水平。
根据本发明，肺结节评估装置包括：成像模块，其被配置成提供患者的肺扫描；血液分析器，其被配置成提供该患者的血液检测套餐；处理单元，其被配置成当根据本发明训练方法训练的分类器被加载到处理单元的存储器中时执行肺结节评估方法的步骤；以及用户接口，其被配置成至少显示肺结节评估结果。在下文中，“肺结节评估方法”可以被简称为“评估方法”。
本发明的目的还通过一种计算机程序产品来实现，该计算机程序产品包括可直接加载到肺结节评估装置的控制单元的存储器中的计算机程序，该计算机程序包括用于当计算机程序由控制单元执行时执行本发明肺结节评估方法的步骤的程序元素。
本发明的目的还通过一种计算机可读介质来实现，在该计算机可读介质上存储有程序元素，所述程序元素可以由计算机单元读取和执行，以便当程序元素由计算机单元执行时执行本发明肺结节评估方法的步骤。
如以下描述中所揭示的，本发明的特别有利的实施方式和特征由本发明的技术方案给出。可以适当地组合不同权利要求类别的特征，以给出本文中未描述的其他实施方式。
在下文中，可以假设从诸如CT扫描仪的高分辨率成像设备获得肺扫描。血液检测套餐可以以机器可读文件的形式被提供，例如由被配备成分析血液样本的实验室提供。肺扫描和血液检测套餐优选地在大约相同的时间(例如在几周内)被获得。
利用训练群组来训练分类器，优选地，训练群组包括至少100个数据集，更优选地，训练群组包括至少1000个数据集，最优选，训练群组包括至少10000个数据集。数据集应该被理解为包括患者的至少一个肺扫描以及该患者的至少一个血液检测套餐。训练数据集还可以包括同一患者的一个或更多个较旧肺扫描和一个或更多个较旧血液检测套餐。
在下面说明了用于处理输入数据集的方法：诸如放射科医生或其他临床医生的经训练的人员检查从肺扫描(例如，CT、MRI、超声、光声断层扫描、扩散加权断层扫描、正电子发射断层扫描)获得的图像，以标识肺结节。以适当的方式，例如，可以在序列的每个图像(在诸如CT扫描的3D图像的情况下)中围绕结节绘制轮廓来注释图像中可见的任何肺结节。临床医生还优选地提供关于结节的病因的附加注释，例如“结节是癌”、“肺结节是包虫囊肿”等。还优选地添加诸如“结节是恶性的”或“结节是良性的”的全局注释。以类似的方式，每次肺扫描伴随向血液检测套餐添加注释。相关血液标记可以是蛋白质标记(激素、酶、抗体)、基因组标记、表观基因组标记、转录物RNA标记、微生物标记等。优选地对高于或低于临界阈值——即在肺癌的情况下很关键的阈值——的每个血液标记进行注释。
注释图像数据和血液检测套餐的该步骤将数据集转换成训练数据，该训练数据与在其病因和严重性方面评估肺结节的本质的目的相关。对于每个数据集，临床医生可以针对图像数据中可见的肺结节制定评估，例如风险评分、恶性概率等。该评估是分类器的真值。
肺结节可以呈现为肺内的小黑色区域。在评估其本质时，各种特性可能是相关的。因此，在本发明的优选实施方式中，分类器被配置成从肺扫描中提取或检索多个图像标记。图像标记可以包括以下中的任一项：血管集束；胸膜凹陷；空气支气管征；钙化类型；空腔形成；支气管内起源；肺裂位置；胸膜下位置；形态学；结节内的毛刺征、分叶征、关联的囊性气腔、气泡样征。优选地，分类器被配置成执行图像分割例如语义或上下文驱动的图像分割，以标识肺扫描中的任何这样的图像标记。
已知某些肺部并发症例如COPD(慢性阻塞性肺疾病)会增加患肺癌的风险。因此，在本发明的特别优选的实施方式中，分类器自动标识与诸如肺气肿、气道炎症、胸腔积液、间质性肺疾病、感染、血管疾病等的呼吸疾病相关联的图像标记。标识的图像标记的数目和每个图像标记的相关性可以由分类器用来得出肺结节的更精确的风险评分。
在患有肺癌的患者中，随着时间的推移，可以观察到肺的物理变化。肺部疾病的早期指标是肺部体积(例如，肺叶体积或肺段体积)的大小的减小。因此，在本发明的另一优选实施方式中，分类器被配置成标识该患者的当前肺扫描和较旧肺扫描之间的差异。特别是在患者参与肺癌筛查项目的情况下，多个较旧的肺扫描对于该患者可能可用。例如，分类器可以被配置成在最近的肺扫描中确定特定肺部区域的体积，在同一患者的一个或更多个较旧肺扫描中确定相同肺部区域的体积，并且比较结果。分类器可以在其对肺结节的评估中包括肺体积随时间的任何减小。
肺结节可以被附带地检测到，例如，肺结节可以在由于不同原因(例如用于评估事故后的损伤)生成的CT图像中被注意到。替选地，在肺癌筛查项目的进程中对肺结节进行标识。癌症的概率在这两种情境下有些不同，因为参加癌症筛查项目的患者通常已经具有较高的患癌症风险。符合筛查要求的患者可以进行年度扫描，从而降低漏诊癌症的风险，因为在下次扫描时仍然可能检测到癌症。相比之下，在一些国家，附带发现的肺结节可能会跟随着更积极的患者管理方法，因为患者可能不会经受进一步的扫描。在这样的情况下，对附带发现的肺结节进行正确评估非常重要，因为任何排除癌症的决策都必须在具有高度确定性的情况下进行。因此，在本发明的特别优选的实施方式中，利用第一训练群组来训练分类器，在第一训练群组中，数据集是从肺癌筛查过程的参与者获得的；以及利用第二训练群组来训练分类器，在第二训练群组中，数据集是从经受附带肺扫描的患者获得的。这种“双管齐下”的训练允许以上下文特定方式配置的分类器，以便处理这些不同的情境。例如，分类器对于“筛查结节”和“附带结节”可以具有略微不同的操作点或决策阈值，即在筛查项目的进程中标识的肺结节的任何决策阈值可能与附带标识的肺结节的决策阈值略微不同。
已知某些生物标记例如某些血液标记仅在一些类型的肺癌中升高，可能仅在一种特定类型的肺癌的情况下升高。此外，已知由不同类型的肺癌引起的结节在肺内的特定位置处形成。例如，与一些类型的肺癌相关联的肺结节在中心位置处形成，而与其他类型的肺癌相关联的结节在外围位置处形成。因此，在本发明的另一优选实施方式中，分类器被配置成标识与肺扫描中检测到的肺结节相关联的癌症类型。例如，分类器可以被配置成确定肺结节是否指示小细胞癌、腺癌、鳞状细胞癌、大细胞癌等。
一些血液标记(例如，自身抗体)对于肺癌不是特定的，但是在其他非肺癌(例如，前列腺癌、胃癌、肝癌、睾丸癌、乳腺癌、结肠直肠癌等)的情况下也可能升高。此外，这样的血液标记在具有自身免疫疾病的患者体内也可能会升高。因此，在本发明的特别优选的实施方式中，分类器被训练成还基于肺外图像数据来执行肺结节评估。除了每个患者的当前肺扫描和血液检测套餐之外，训练数据集还可以包括一个或更多个肺外扫描。本发明肺结节评估方法优选地包括获得肺外图像数据的准备步骤。例如，来自乳房X线照相术的图像标记可能指示乳腺癌的晚期，并且可以假设肺结节不是血液标记升高的原因。同样，如果乳房X线照相术的图像标记仅指示非常微小的病变，则肺结节的风险评分可能更高。以这种方式，分类器被训练和配置成：不仅在来自肺扫描的成像标记和来自血液检测套餐的血液标记的情况下而且在来自肺外图像的标记的情况下评估肺结节。优点是本发明方法的特异性和评估准确性可以有利地高。
肺结节评估方法可以以说明结果的报告结束。例如，如果分类器已经在肺扫描中检测到肺结节，则它可以报告该肺结节的风险评分。风险评分可以是基于梅奥模型(MayoClinic Model)、贝叶斯推断恶性计算器(Bayesian Inference Malignancy Calculator)或任何这样的成熟模型的孤立性肺结节(SPN)恶性风险评分。用于患者管理的合适方法可能取决于风险评分、癌的可能本质、患者的其他疾病等。因此，在本发明的优选实施方式中，分类器还可以例如从概率方面报告与肺结节相关联的癌症类型。在本发明的优选实施方式中，分类器基于肺结节评估建议合适的患者管理过程，例如安排活检、PET扫描、CT监测等。如果辅助辐射治疗或预防性辐射治疗被建议，则分类器还可以计算针对特定肺结节的合适格雷剂量(Gray dose)。这些各种类型的信息可以形成针对临床医生或用户生成的报告的一部分。
可以通过各种特征例如其位置、血管集束的程度、胸膜凹陷的程度等来表征在图像中看到的肺结节。这样的特征或图像标记的手动确定可能是繁琐且容易出错的。
因此，在本发明的特别优选的实施方式中，分类器自动标识或检索不太占优势的恶性结节图像标记或特征，例如血管集束、胸膜凹陷、空气支气管征、钙化类型、空腔形成、支气管内起源、肺裂位置、胸膜下位置等。
现有技术方法主要致力于量化肺结节的恶性并将其表示为风险评分。然而，已知一定比例的肺癌是在死后(post-mortem)发现的，即这样的患者不是因肺癌而死，而是患有肺癌。这样的患者可能已经患有具有仅缓慢生长的一个或更多个结节(即，结节是惰性的)的肺癌。因此，在本发明的另一优选实施方式中，分类器对肺结节的惰性进行量化，并且在计算风险分数时包括肺结节惰性。
例如，可以利用指示侵袭性水平的结果数据来训练分类器。为此，可以通过比较同一患者的年度肺扫描来确定结节的生长速率。
在本发明的另一优选实施方式中，确定结果数据并将结果数据提供给分类器。例如，在侵袭性结节的情况下，患者结果和/或转移程度可能是已知的。这样的结果数据优选地用于分类器的训练阶段。以这种方式，本发明的肺评估装置可以帮助决定积极的管理是否适合于患有惰性(恶性但缓慢生长)肺结节的患者。在考虑到诸如惰性程度、患者的年龄、转移程度等的相关因素的情况下，可能会建立用于治疗的更有利的方法。通过还包括对肺结节的惰性的评估，本发明的评估方法具有比现有技术方法显著更高的临床实用性。
附图说明
根据以下结合附图考虑的具体实施方式，本发明的其他目的和特征将变得明显。然而，应当理解，附图仅出于说明的目的而不是作为对本发明的限制的定义而设计。
图1是示出本发明的简化框图；
图2是本发明肺结节评估装置的示例性实施方式的简化框图；
图3是本发明肺结节评估装置的另一实施方式的简化框图；
图4示出了本发明肺结节评估装置的分类器的训练阶段；
图5示出了与肺癌相关的因素；
图6是示出肺结节的示例性肺部扫描。
在附图中，相似的附图标记始终指代相似的对象。附图中的对象不一定按比例绘制。
具体实施方式
图1是示出本发明隐含的构思的简化框图。该图示出了诸如深度学习神经网络、贝叶斯分类器、决策树等的AI分类器1。分类器1接收多个图像标记IM_1、……、IM_p和多个血液标记BM_1、……、BM_p。图像标记IM_1、……、IM_p是从患者P的肺扫描中获得的。临床医生可能已经在肺扫描中标识出结节。血液标记BM_1、……、BM_p是从对由同一患者P的血液样本得到的血液检测套餐的分析中获得的。分类器1已经被训练成得出诊断或评估1出。例如，评估1出可以是风险评分的形式。在高风险评分的情况下，即在分类器1已经得出肺结节可能指示癌症的结论的情况下，评估1出还可以包括肺结节与某种癌症类型相关的可能性。评估1出可以是更广泛的报告的形式，并且如果风险评分高于某个阈值，则评估1出还可以包括针对患者提出的癌症管理计划。
图2示出了本发明肺结节评估装置2的示例性实施方式的简化框图，并且示出了被配置成提供患者P的肺部扫描PS的成像模态21以及用于提供该患者P的血液检测套餐BP的血液分析装置22。肺结节评估装置2还包括处理单元23，该处理单元23被配置成：当经训练的分类器1被加载到处理单元的存储器中时，执行根据本发明的技术方案的方法的步骤。用户接口24被配置成在肺部扫描PS的背景中显示肺结节评估结果1出。
图3示出了本发明肺结节评估装置2的另一实施方式的简化框图。除了从成像模态21获得的肺部扫描PS之外，可以从另一成像模态210获得肺外扫描XS。除了血液检测套餐BP之外，可以从另一生物标记模态220获得另一组生物标记，例如唾液生物标记、来自呼出气体的挥发性有机化合物(VOC)生物标记、尿液生物标记、粪便生物标记等。经训练的分类器1处理来自每个源的生物标记，以得出针对肺部扫描PS中的肺结节的评估。在此，用户接口24也在肺部扫描PS的背景中显示评估结果1出。
预期技术人员可以以处理图像数据和血液检测套餐数据为目的而选择合适的分类器，并且可以假设技术人员熟悉训练这样的分类器的过程。图4示出了针对图1至图3的分类器1的示例性训练过程。该示例性实施方式中的分类器1是以具有输入层、隐藏层和输出层的常规方式示出的神经网络，所述输入层、隐藏层和输出层各自包括多个节点。节点根据系数或权重而连接。
提供了数据集DS，该数据集DS包括特定患者的肺部扫描PS和血液检测套餐BP。肺部扫描PS和血液检测套餐BP二者由有经验的人员进行注释，以标识(在阶段41中)与肺部扫描中存在的肺结节相关的图像标记IM_1、……、IM_p以及标识(在阶段42中)与肺癌相关的血液标记BM_1、……、BM_p。例如，临床医生可以确定关于肺结节的大小、位置和形态的图像标记，并且还可以标识血液检测套餐中蛋白质的相关升高。临床医生计算该肺结节的预期风险评分。数据集中存在的其他相关标记——例如患者的年龄、性别、吸烟史、合并症等——也被包括在馈入到分类器1中的注释数据集中。临床医生的评估——例如肺结节的估计的风险评分——是分类器的真值1入。训练群组可以包括数百甚至数千个数据集。患者的数据集还可以包括以时间间隔(例如每年一次)进行的肺扫描。例如，患者的数据集还可以包括电子健康记录(EHR)或电子病历(EMR)。除了任何最近的肺扫描和血液检测套餐之外，电子记录可以包括较旧的肺扫描以及较旧的血液检测套餐，并且当然可以包括任何其他类型的扫描、实验室结果等。
使用注释的数据集来训练分类器(回归模型、深度学习模型等)，以区分良性结节和恶性结节、惰性结节和侵袭性结节等。肺部扫描PS、血液检测套餐BP、标记IM_1、……、IM_p、BM_1、……、BM_p和每个数据集的真值被馈送至分类器1，分类器1进行学习以分析图像数据和血液检测套餐数据，以评估图像数据中可见的肺结节。
可以使用单个训练群组来训练分类器1。然而，通过以下操作来获得更准确且更有用的肺结节评估：使用包括从肺癌筛查过程获得的数据集(DS)的第一训练群组TC1并且还利用其中数据集DS包括附带获得的肺扫描PS的第二训练群组TC2来训练分类器。
图5示出了说明在评估肺部结节时不同类型的风险因素的相关性的饼图。肺结节的位置、毛刺征的存在以及患者的吸烟史分别是风险因素51、52和53，它们各自贡献7.3％。患者的年龄是风险因素54，风险因素54贡献18％。结节大小是更相关的风险因素55并且贡献30％。在确定肺扫描中存在肺部结节之后，针对该患者执行血液检查。其余的风险因素56源自相关的血液标记，例如相关血浆蛋白(诸如LG3BP和C163A)的水平，并且其余的风险因素56贡献了最终的30％。基于图像分析的常规方法不包括来自血液测试的数据，因此未能考虑与风险因素56(相关血液生物标记的升高水平)相关的有价值的信息。类似地，基于血液检测套餐分析的评估方法不考虑与风险因素55(结节大小)相关的有价值的信息。
图6是示出肺结节N的示例性肺部扫描，肺结节N呈现为小肿块。许多疾病导致良性肺结节或无害肺结节的发展。然而，如在此所示，肺癌总是与肿瘤的发展相关联，肿瘤的发展可以开始于小结节。因此，能够正确标识肺结节是非常重要的，即能够避免假阴性诊断是非常重要的，并且能够避免假阳性诊断也是非常重要的。
尽管本发明已经以优选实施方式及其变型的形式被公开，但是应当理解，在不脱离本发明的范围的情况下，可以对本发明做出许多另外的修改和变化。
为了清楚起见，应当理解，在整个本申请中，使用“一”或“一个”不排除多个，并且“包括”不排除其他步骤或要素。对“单元”或“模块”的提及并不排除对多于一个的单元或模块的使用。

Claims (15)

1.一种执行肺结节评估的方法，所述方法包括以下步骤：
-从成像模态(21)获得患者(P)的肺扫描(PS)；
-从血液分析模态(22)获得所述患者(P)的血液检测套餐(BP)；
-在分类器(1)中处理所述肺扫描(PS)和所述血液检测套餐(BP)，所述分类器(1)被训练成基于所述肺扫描(PS)和所述血液检测套餐(BP)来评估肺结节(N)。
2.根据前述权利要求所述的方法，其中，所述分类器(1)被配置成从所述肺扫描(PS)中标识多个图像标记(IM_1、……、IM_p)，图像标记(IM_1、……、IM_p)包括以下中的任一项：血管集束；胸膜凹陷；空气支气管征；钙化类型；空腔形成；支气管内起源；肺裂位置；胸膜下位置；形态学；结节内的毛刺征、分叶征、关联的囊性气腔、气泡样征。
3.根据前述权利要求中任一项所述的方法，其中，所述分类器(1)被配置成从所述血液检测套餐(BP)中标识多个血液标记(BM_1、……、BM_p)，血液标记(BM_1、……、BM_p)包括以下中的任一项：基因组标记、表观基因组标记、转录组标记、代谢组标记、蛋白质组标记。
4.根据前述权利要求中任一项所述的方法，其中，所述分类器(1)被配置成标识图像标记(IM_1、……、IM_p)与呼吸疾病之间的关系。
5.根据前述权利要求中任一项所述的方法，其中，所述分类器(1)被配置成标识所述患者(P)的肺扫描(PS)与较旧肺扫描之间的差异。
6.根据前述权利要求所述的方法，其中，所述分类器(1)被配置成：将所述肺扫描(PS)中的特定区域的体积与所述较旧肺扫描(PS)中的相同区域的体积进行比较以及/或者对在所述肺扫描(PS)中标识的肺结节(N)的惰性进行量化。
7.根据前述权利要求所述的方法，其中，基于获得所述肺扫描(PS)的情况来选择所述分类器(1)的系数。
8.根据前述权利要求中任一项所述的方法，其中，所述分类器(1)被配置成基于所述肺结节评估来建议患者管理过程。
9.根据前述权利要求中任一项所述的方法，其中，所述分类器(1)被训练成还基于肺外图像数据(XS)来执行肺结节评估，并且其中，所述方法包括获得肺外图像数据(XS)的准备步骤。
10.一种训练用于根据权利要求1至9中任一项所述的方法的分类器(1)的方法，所述方法包括以下步骤：
A)注释肺扫描(PS)以标识肺结节(N)以及与所述肺结节(N)相关联的多个图像标记(IM_1、……、IM_p)；
B)注释血液检测套餐(BP)以标识与肺癌相关联的多个血液标记(BM_1、……、BM_p)；
C)确定对所述肺结节(N)的评估(1入)，以由所述分类器(1)用作真值；
D)将所述分类器(1)应用于所述肺扫描(PS)、所述血液检测套餐(BP)和相关联的真值(1入)；以及
重复步骤A至D，直到已经达到期望的准确性水平。
11.根据前述权利要求所述的方法，其中，利用训练群组来训练所述分类器(1)，所述训练群组包括至少100个数据集(DS)，更优选地，所述训练群组包括至少1000个数据集(DS)，最优选地，所述训练群组包括至少10000个数据集(DS)，其中，数据集(DS)包括患者(P)的至少一个肺扫描(PS)和所述患者(P)的至少一个血液检测套餐(BP)。
12.根据权利要求10或11所述的方法，其中，利用第一训练群组(TC1)来训练所述分类器(1)，在所述第一训练群组(TC1)中，所述数据集(DS)包括从肺癌筛查过程获得的肺扫描(PS)；以及利用第二训练群组(TC2)来训练所述分类器(1)，在所述第二训练群组(TC2)中，所述数据集(DS)包括附带获得的肺扫描(PS)。
13.一种肺结节评估装置(2)，包括：
-成像模态(21)，所述成像模态(21)被配置成提供患者(P)的肺扫描(PS)；
-血液分析模态(22)，所述血液分析模态(22)被配置成提供所述患者(P)的血液检测套餐(BP)；
-处理单元(23)，所述处理单元(23)被配置成：当根据权利要求10至12中任一项训练的分类器(1)被加载到所述处理单元(23)的存储器中时，执行根据权利要求1至9中任一项所述的方法的步骤；以及
-用户接口(24)，所述用户接口(24)被配置成至少在所述肺扫描(PS)的背景中显示所述肺结节评估结果(1出)。
14.一种计算机程序产品，所述计算机程序产品包括能够直接加载到根据权利要求13所述的肺结节评估装置(2)的控制单元的存储器中的计算机程序，所述计算机程序包括用于当所述计算机程序由所述肺结节评估装置(2)的控制单元执行时执行根据权利要求1至9中任一项所述的方法的步骤的程序元素。
15.一种计算机可读介质，所述计算机可读介质上存储有程序元素，所述程序元素能够由计算机单元读取和执行，以便当所述程序元素由所述计算机单元执行时执行根据权利要求1至9中任一项所述的方法的步骤。
CN202310138407.XA 2022-02-15 2023-02-14 执行肺结节评估的方法 Pending CN116612881A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP22156808 2022-02-15
EP22156808.2 2022-02-15
EP22171977.6A EP4227957A1 (en) 2022-02-15 2022-05-06 Method of performing lung nodule assessment
EP22171977.6 2022-05-06

Publications (1)

Publication Number Publication Date
CN116612881A true CN116612881A (zh) 2023-08-18

Family

ID=81325073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310138407.XA Pending CN116612881A (zh) 2022-02-15 2023-02-14 执行肺结节评估的方法

Country Status (3)

Country Link
US (1) US20230255582A1 (zh)
EP (1) EP4227957A1 (zh)
CN (1) CN116612881A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830302A (zh) * 2024-03-04 2024-04-05 瀚依科技(杭州)有限公司 肺段分割的优化方法及装置、电子设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6901277B2 (en) * 2001-07-17 2005-05-31 Accuimage Diagnostics Corp. Methods for generating a lung report
US20190131016A1 (en) * 2016-04-01 2019-05-02 20/20 Genesystems Inc. Methods and compositions for aiding in distinguishing between benign and maligannt radiographically apparent pulmonary nodules
CN110114680A (zh) * 2016-05-05 2019-08-09 佰欧迪塞克斯公司 用于诊断肺癌的组合物、方法和试剂盒

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830302A (zh) * 2024-03-04 2024-04-05 瀚依科技(杭州)有限公司 肺段分割的优化方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
EP4227957A1 (en) 2023-08-16
US20230255582A1 (en) 2023-08-17

Similar Documents

Publication Publication Date Title
Sim et al. Deep convolutional neural network–based software improves radiologist detection of malignant lung nodules on chest radiographs
Ishioka et al. Computer‐aided diagnosis of prostate cancer on magnetic resonance imaging using a convolutional neural network algorithm
JP7021215B2 (ja) Ｃａｄシステム推薦に関する確信レベル指標を提供するためのｃａｄシステムパーソナライゼーションの方法及び手段
EP3878353B1 (en) Cad device for assisting an estimation of lung disease from medical images
CN107072613B (zh) 基于纵向特征对感兴趣组织的健康状态的分类
US11915822B2 (en) Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination
JP2021527473A (ja) 即時精密検査
US20200279649A1 (en) Method and apparatus for deriving a set of training data
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
Balagurunathan et al. Lung nodule malignancy prediction in sequential ct scans: Summary of isbi 2018 challenge
CN116612881A (zh) 执行肺结节评估的方法
Zhang et al. COPD identification and grading based on deep learning of lung parenchyma and bronchial wall in chest CT images
Balagurunathan et al. Semi‐automated pulmonary nodule interval segmentation using the NLST data
Zhao et al. TCGA-TCIA–Based CT Radiomics Study for Noninvasively Predicting Epstein-Barr Virus Status in Gastric Cancer
Wang et al. Radiomics based on magnetic resonance imaging for preoperative prediction of lymph node metastasis in head and neck cancer: Machine learning study
Wu et al. An integrated nomogram combined semantic-radiomic features to predict invasive pulmonary adenocarcinomas in subjects with persistent subsolid nodules
CN110992312B (zh) 医学图像处理方法、装置、存储介质及计算机设备
da Silva et al. HCC detection on surveillance US: comparing focused liver protocol using US LI‐RADS technical guidelines to a general complete abdominal US protocol
Atkins et al. Role of computed tomography-guided biopsies in the era of electromagnetic navigational bronchoscopy: a retrospective study of factors predicting diagnostic yield in electromagnetic navigational bronchoscopy and computed tomography biopsies
Henschke et al. The importance of the regimen of screening in maximizing the benefit and minimizing the harms
US20230252633A1 (en) Method for biomarker estimation
CN113450306B (zh) 提供骨折检测工具的方法
Cao et al. LNAS: A clinically applicable deep-learning system for mediastinal enlarged lymph nodes segmentation and station mapping without regard to the pathogenesis using unenhanced CT images
Van Ginneken Computer‐aided diagnosis in thoracic computed tomography

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