CN116646088B - 一种预测方法、装置、设备及介质 - Google Patents
一种预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116646088B CN116646088B CN202310929023.XA CN202310929023A CN116646088B CN 116646088 B CN116646088 B CN 116646088B CN 202310929023 A CN202310929023 A CN 202310929023A CN 116646088 B CN116646088 B CN 116646088B
- Authority
- CN
- China
- Prior art keywords
- immune
- tissue
- target
- markers
- scores
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000001575 pathological effect Effects 0.000 claims abstract description 97
- 206010009944 Colon cancer Diseases 0.000 claims abstract description 81
- 208000001333 Colorectal Neoplasms Diseases 0.000 claims abstract description 81
- 230000004083 survival effect Effects 0.000 claims abstract description 74
- 238000004393 prognosis Methods 0.000 claims abstract description 56
- 238000004043 dyeing Methods 0.000 claims abstract description 44
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000010186 staining Methods 0.000 claims abstract description 17
- 206010028980 Neoplasm Diseases 0.000 claims description 43
- 239000003550 marker Substances 0.000 claims description 41
- 210000004907 gland Anatomy 0.000 claims description 20
- 230000009545 invasion Effects 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 102100021260 Galactosylgalactosylxylosylprotein 3-beta-glucuronosyltransferase 1 Human genes 0.000 claims description 8
- 101000894906 Homo sapiens Galactosylgalactosylxylosylprotein 3-beta-glucuronosyltransferase 1 Proteins 0.000 claims description 8
- 101100044298 Drosophila melanogaster fand gene Proteins 0.000 claims description 7
- 101150064015 FAS gene Proteins 0.000 claims description 7
- 101150089023 FASLG gene Proteins 0.000 claims description 7
- 102100027581 Forkhead box protein P3 Human genes 0.000 claims description 7
- 101000861452 Homo sapiens Forkhead box protein P3 Proteins 0.000 claims description 7
- 101000934372 Homo sapiens Macrosialin Proteins 0.000 claims description 7
- 108050003558 Interleukin-17 Proteins 0.000 claims description 7
- 102100025136 Macrosialin Human genes 0.000 claims description 7
- 101100335198 Pneumocystis carinii fol1 gene Proteins 0.000 claims description 7
- 102000001400 Tryptase Human genes 0.000 claims description 7
- 108060005989 Tryptase Proteins 0.000 claims description 7
- 230000001225 therapeutic effect Effects 0.000 claims description 7
- 102100022005 B-lymphocyte antigen CD20 Human genes 0.000 claims description 6
- 102000006354 HLA-DR Antigens Human genes 0.000 claims description 6
- 108010058597 HLA-DR Antigens Proteins 0.000 claims description 6
- 101000897405 Homo sapiens B-lymphocyte antigen CD20 Proteins 0.000 claims description 6
- -1 S100 Proteins 0.000 claims description 6
- 201000011510 cancer Diseases 0.000 claims description 6
- 239000000975 dye Substances 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000011282 treatment Methods 0.000 abstract description 7
- 210000001519 tissue Anatomy 0.000 description 175
- 238000012549 training Methods 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000002596 correlated effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 210000001035 gastrointestinal tract Anatomy 0.000 description 6
- 238000001356 surgical procedure Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 101000716102 Homo sapiens T-cell surface glycoprotein CD4 Proteins 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000002751 lymph Anatomy 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000010837 poor prognosis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 2
- 206010061309 Neoplasm progression Diseases 0.000 description 2
- 238000002512 chemotherapy Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 210000000981 epithelium Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000002865 immune cell Anatomy 0.000 description 2
- 208000027866 inflammatory disease Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000001325 log-rank test Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 238000011127 radiochemotherapy Methods 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005751 tumor progression Effects 0.000 description 2
- 102000019034 Chemokines Human genes 0.000 description 1
- 108010012236 Chemokines Proteins 0.000 description 1
- 102000001398 Granzyme Human genes 0.000 description 1
- 108060005986 Granzyme Proteins 0.000 description 1
- 102100036011 T-cell surface glycoprotein CD4 Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002771 cell marker Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002493 microarray Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
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
- G16H50/30—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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
-
- 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
Abstract
本申请提供了一种预测方法、装置、设备及介质，该方法包括：获取标记后的病理切片图像，并对病理切片图像分别进行组织识别和染色识别，得到目标组织分类结果和目标染色识别结果；根据不同类型组织和免疫标记物对应的染色比例，确定出各个类型组织中不同免疫标记物的免疫评分；根据免疫标记物的免疫评分，从免疫标记物中筛选出与预后相关的目标免疫标记物，并根据目标免疫标记物的风险比与预后的相关性，计算出各个类型组织的组织免疫评分；根据各个免疫标记物的免疫评分，确定结直肠癌患者的生存风险等级和免疫进展评分；生存风险等级和免疫进展评分用于与已有的预测结果结合提供医治参考，提高了预测结果的准确性。
Description
技术领域
本申请涉及预测技术领域，具体而言，涉及一种预测方法、装置、设备及介质。
背景技术
结直肠癌是最常见的胃肠道恶性肿瘤之一，其主要发病原因是黏膜上皮良性病变的恶化。在结直肠癌的治疗中，外科手术仍然是首选方式，并经常结合放疗、化疗等联合治疗。尽管目前的手术技术和放化疗已经取得了显著的改善，但晚期结直肠癌患者的预后仍然很差。结直肠癌患者死亡率较高的主要原因有很多，其中发病隐蔽、进展缓慢、缺乏特征性临床表现是导致结直肠癌患者死亡的重要因素，而肿瘤淋巴结早期转移等特征也常导致患者预后欠佳。另外，这些原因也导致结直肠癌在临床诊断中经常和肠道炎性疾病、肠道功能性紊乱等疾病混淆，影响患者的诊断和治疗，严重威胁人类的健康和生命。因此，结直肠癌的准确诊断和预后评估具有重要意义。
现有技术中主要依据TNM分期系统进行预后评估，但是TNM分期在评估结直肠癌患者预后方面具有局限性，并不能直接准确预测患者的预后。因此，为了较为准确地评估结直肠癌患者的短期和长期生存情况，需要一些相对简单可靠的预后预测指标以辅助TNM分期系统，以实现更好评估患者预后、提高患者在手术治疗之后的生存率的目的。
发明内容
有鉴于此，本申请的目的在于提供一种预测方法、装置、设备及介质，以克服现有技术中的问题。
第一方面，本申请实施例提供了一种预测方法，所述方法包括：
获取术后的结直肠癌患者标记后的病理切片图像，并对所述病理切片图像分别进行组织识别和染色识别，得到目标组织分类结果和目标染色识别结果；其中，标记后的病理切片图像是使用多种免疫标记物对术后的结直肠癌患者多个不同区域的病理切片进行标记得到；
根据所述目标组织分类结果中的不同类型组织和所述目标染色识别结果中免疫标记物对应的染色比例，确定出各个类型组织中不同免疫标记物的免疫评分；
根据各个类型组织中不同免疫标记物的免疫评分，从免疫标记物中筛选出与预后相关的目标免疫标记物，并根据所述目标免疫标记物的风险比与预后的相关性，计算出不同区域下各个类型组织的组织免疫评分；
根据各个免疫标记物的免疫评分，确定结直肠癌患者的生存风险等级，并根据各个区域下影响肿瘤进展的目标类型组织的组织免疫评分，确定出结直肠癌患者的免疫进展评分；其中，所述生存风险等级和所述免疫进展评分用于与已有的预测结果结合为预后的结直肠癌患者提供医治参考。
在本申请一些技术方案中，上述方法通过以下方式得到标记后的病理切片图像：
对使用以下至少之一免疫标记物标记的健康组织区域的病理切片、癌旁组织区域的病理切片、侵袭前缘区域的病理切片、肿瘤中心区域的病理切片分别进行图像采集，得到标记后的病理切片图像：
CD3、CD8、CD45RO、GranzymeB、CD4、CD57、CD68、S100、Tryptase、FOXP3、CD20、HLA-DR、FasL、IL-17和Fas。
在本申请一些技术方案中，上述方法通过以下方式得到目标组织分类结果：
对所述病理切片图像输入到预设的组织分类模型中，得到所述组织分类模型输出的初始组织分类结果；
根据肿瘤在初始组织分类结果中不同类型组织的占比，从初始组织分类结果中筛选出符合占比要求的目标组织分类结果。
在本申请一些技术方案中，上述方法通过以下方式得到各个类型组织中不同免疫标记物的免疫评分：
将所述病理切片图像输入到预设的染色识别模型中，得到所述染色识别模型输出的免疫标记物是否对所述病理切片图像中各个像素进行染色的目标染色结果；所述目标染色结果包括前景像素和背景像素；所述前景像素包括染色像素和未染色像素；
将各个类型组织下各个免疫标记物的染色像素与前景像素的比值，作为该类型组织中各个免疫标记物的免疫评分。
在本申请一些技术方案中，上述方法通过以下方式得到目标免疫标记物：
对各个类型组织中不同免疫标记物的免疫评分进行生存的相关性检测，得到该免疫评分与生存的相关度；
根据各个免疫评分与生存的相关度和相关度阈值，从免疫标记物中筛选出目标免疫标记物。
在本申请一些技术方案中，上述方法通过以下方式得到各个类型组织的组织免疫评分：
对各个所述目标免疫标记物的免疫评分分别进行单因素Cox回归分析，计算出所述目标免疫标记物的风险比；
根据预设的风险比阈值和所述目标免疫标记物的风险比进行累加评分，得到各个类型组织的组织免疫评分。
第二方面，本申请实施例提供了一种预测装置，所述装置包括：
识别模块，用于获取术后的结直肠癌患者标记后的病理切片图像，并对所述病理切片图像分别进行组织识别和染色识别，得到目标组织分类结果和目标染色识别结果；其中，标记后的病理切片图像是使用多种免疫标记物对术后的结直肠癌患者多个不同区域的病理切片进行标记得到；
第一评分模块，用于根据所述目标组织分类结果中的不同类型组织和所述目标染色识别结果中免疫标记物对应的染色比例，确定出各个类型组织中不同免疫标记物的免疫评分；
第二评分模块，用于根据各个类型组织中不同免疫标记物的免疫评分，从免疫标记物中筛选出与预后相关的目标免疫标记物，并根据所述目标免疫标记物的风险比与预后的相关性，计算出不同区域下各个类型组织的组织免疫评分；
确定模块，用于根据各个免疫标记物的免疫评分，确定结直肠癌患者的生存风险等级，并根据各个区域下影响肿瘤进展的目标类型组织的组织免疫评分，确定出结直肠癌患者的免疫进展评分；其中，所述生存风险等级和所述免疫进展评分用于与已有的预测结果结合为预后的结直肠癌患者提供医治参考。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的预测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的预测方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请方法包括获取术后的结直肠癌患者标记后的病理切片图像，并对所述病理切片图像分别进行组织识别和染色识别，得到目标组织分类结果和目标染色识别结果；其中，标记后的病理切片图像是使用多种免疫标记物对术后的结直肠癌患者多个不同区域的病理切片进行标记得到；根据所述目标组织分类结果中的不同类型组织和所述目标染色识别结果中免疫标记物对应的染色比例，确定出各个类型组织中不同免疫标记物的免疫评分；根据各个类型组织中不同免疫标记物的免疫评分，从免疫标记物中筛选出与预后相关的目标免疫标记物，并根据所述目标免疫标记物的风险比与预后的相关性，计算出不同区域下各个类型组织的组织免疫评分；根据各个免疫标记物的免疫评分，确定结直肠癌患者的生存风险等级，并根据各个区域下影响肿瘤进展的目标类型组织的组织免疫评分，确定出结直肠癌患者的免疫进展评分；其中，所述生存风险等级和所述免疫进展评分用于与已有的预测结果结合为预后的结直肠癌患者提供医治参考。本申请对不同区域和多种标记物标记的病理切片图像进行分析，得到结直肠癌患者的生存风险等级和免疫进展评分，通过生存风险等级和免疫进展评分对已有预测结果进行补充，提高了预测结果的准确性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种预测方法的流程示意图；
图2示出了本申请实施例所提供的一种组织识别过程的示意图；
图3示出了本申请实施例所提供的一种目标组织分类结果和目标染色识别结果示意图；
图4示出了本申请实施例所提供的一种预测装置示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。 应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。 此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其他的特征。
结直肠癌是最常见的胃肠道恶性肿瘤之一，其主要发病原因是黏膜上皮良性病变的恶化。在结直肠癌的治疗中，外科手术仍然是首选方式，并经常结合放疗、化疗等联合治疗。尽管目前的手术技术和放化疗已经取得了显著的改善，但晚期结直肠癌患者的预后仍然很差。结直肠癌患者死亡率较高的主要原因有很多，其中发病隐蔽、进展缓慢、缺乏特征性临床表现是导致结直肠癌患者死亡的重要因素，而肿瘤淋巴结早期转移等特征也常导致患者预后欠佳。另外，这些原因也导致结直肠癌在临床诊断中经常和肠道炎性疾病、肠道功能性紊乱等疾病混淆，影响患者的诊断和治疗，严重威胁人类的健康和生命。因此，结直肠癌的准确诊断和预后评估具有重要意义。
现有技术中主要依据TNM分期系统进行预后评估，但是TNM分期在评估结直肠癌患者预后方面具有局限性，并不能直接准确预测患者的预后。因此，为了较为准确地评估结直肠癌患者的短期和长期生存情况，需要一些相对简单可靠的预后预测指标以辅助TNM分期系统，以实现更好评估患者预后、提高患者在手术治疗之后的生存率的目的。
基于此，本申请实施例提供了一种预测方法、装置、设备及介质，下面通过实施例进行描述。
图1示出了本申请实施例所提供的一种预测方法的流程示意图，其中，该方法包括步骤S101-S104；具体的：
S101、获取术后的结直肠癌患者标记后的病理切片图像，并对所述病理切片图像分别进行组织识别和染色识别，得到目标组织分类结果和目标染色识别结果；其中，标记后的病理切片图像是使用多种免疫标记物对术后的结直肠癌患者多个不同区域的病理切片进行标记得到；
S102、根据所述目标组织分类结果中的不同类型组织和所述目标染色识别结果中免疫标记物对应的染色比例，确定出各个类型组织中不同免疫标记物的免疫评分；
S103、根据各个类型组织中不同免疫标记物的免疫评分，从免疫标记物中筛选出与预后相关的目标免疫标记物，并根据所述目标免疫标记物的风险比与预后的相关性，计算出不同区域下各个类型组织的组织免疫评分；
S104、根据各个免疫标记物的免疫评分，确定结直肠癌患者的生存风险等级，并根据各个区域下影响肿瘤进展的目标类型组织的组织免疫评分，确定出结直肠癌患者的免疫进展评分；其中，所述生存风险等级和所述免疫进展评分用于与已有的预测结果结合为预后的结直肠癌患者提供医治参考。
本申请对不同区域和多种标记物标记的病理切片图像进行分析，得到结直肠癌患者的生存风险等级和免疫进展评分，通过生存风险等级和免疫进展评分对已有预测结果进行补充，提高了预测结果的准确性。
下面对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
现有技术中在与结直肠癌患者进行预后预测时，仅考虑结直肠癌患者的肿瘤中心。通过对现有技术的针对肿瘤中心的预测结果进行分析，其准确性较低。为了能够提高预测的准确性，本申请实施例除了肿瘤中心外，还考虑了结直肠癌患者其他的多个不同区域，具体的，本申请实施例考虑了结直肠癌患者的健康组织区域(Healthy tissue)、癌旁组织区域(Paracancerous tissue)、侵袭前缘区域（Invasive margin)和肿瘤中心区域(Tumorcenter)。本申请实施例从健康组织区域到肿瘤中心区域的跨度能够扩展研究视野，以使获得的量化指标更加全面，而且不同区域之间能够带来相互的补充信息。
在另一方面，现有技术中在对肿瘤中心进行标记的时候，使用单一的趋化因子，其标记效果较差。本申请实施例使用了多种免疫标记物对上述不同区域的病历切片进行标记（染色）。需要说明的是，本申请实施例中的免疫标记物为免疫细胞标志物。本申请实施例中使用的免疫标记物通过以下方式得到：使用待选标记物对实验病理切片进行标记，得到待选标记物的标记结果；从待选标记物中筛选出满足预设标记效果的标记物作为本申请实施例中的免疫标记物。本申请实施例中的免疫标记物包括以下至少之一：CD3、CD8、CD45RO、GranzymeB、CD4、CD57、CD68、S100、Tryptase、FOXP3、CD20、HLA-DR、FasL、IL-17和Fas。
例如，使用CD3分别对不同区域的病理切片进行标记；使用CD3和CD57分别对不同区域的病理切片进行标记；使用CD4、CD57、CD68、S100、Tryptase、FOXP3分别对不同区域的病理切片进行标记；使用CD8、CD45RO、GranzymeB、CD4、FasL、IL-17和Fas分别对不同区域的病理切片进行标记；使用CD3、CD8、CD45RO、GranzymeB、CD4、CD57、CD68、S100、Tryptase、FOXP3、CD20、HLA-DR、FasL、IL-17和Fas分别对不同区域的病理切片进行标记。
在使用免疫标记物对病理切片进行标记的时候，将病理切片划分为免疫标记物对应数量的层，依次使用免疫标记物在各层进行标记（染色），得到标记后的病理切片。通过对该病理切片进行图像采集，得到标记后的病理切片图像。也就是说，本申请实施例中标记后的病理切片图像包括了健康组织区域的病理切片图像、癌旁组织区域的病理切片图像、侵袭前缘区域的病理切片图像和肿瘤中心区域的病理切片图像。
在得到了标记后的病理切片图像之后，本申请实施例需要对病理切片图像中包含的信息进行识别。具体的本申请实施例分别进行了病理切片图像中组织识别和染色识别。这里的组织识别表征的是将病理切片图像中包含的不同组织进行区分，这里的染色识别表征的是免疫标记物在病理切片中的沁润情况进行识别，在病理切片图像上以是否被染色体现。
对于病理切片图像的组织识别：包括如图2所示的步骤：
S201、将病理切片图像输入到预设的组织分类模型中，得到组织分类模型输出的初始组织分类结果；
S202、根据肿瘤在初始组织分类结果中不同类型组织的占比，从初始组织分类结果中筛选出符合占比要求的目标组织分类结果。
在具体实施的时候，本申请实施例中的组织分类模型为基于patch的卷积神经网络VGG19。并通过这个模型将所有图像分类为 4种组织类型，即腺体、 肿瘤、 间质和所有其他类型（包括粘膜肌层、肌肉层、背景、淋巴和脱落组织）。本申请实施例随机挑选了1000多个清晰、完整的组织微阵列组织标本，这些图像大致均匀地分布在 15 种免疫标记物的病理图像中。本申请实施例在 Pair 图像标注工具中手动标注了4种组织类型的连续区域，并通过滑动窗口从标注的区域提取了大量非重叠的patch 图像，这些patch在4种组织类型中具有相同的分布，即每种类型30000个patch（对于粘膜肌层、肌肉层、背景、淋巴和脱落组织而言，每种亚分类各6000个patch)，所有patch的尺均为224×224像素。
为了使VGG19模型适应本申请实施例，替换了网络的最终层，并将最后的全连接层设置为与新数据集中的类数量相同的大小。在数据集划分上，本申请实施例将图像的patch数据集划分为70%的训练集、10%的验证集和20%的测试集。在训练集中训练了具有动量随机梯度下降的VGG19模型，为实现旋转不变性，50%的随机水平翻转和随机垂直翻转被用于增加训练集。为使用标准图像数据集测试网络的分类精度，每次将一张224×224像素的patch图像输入网络之中。
本申请实施例使用预设的训练数据对初始VGG19进行预训练，训练的过程中，使用数个连续的3×3的卷积核级联用于取代大小为5×5和7×7的卷积核（两个3×3的卷积核可以替换一个5×5的卷积核，而三个3×3的卷积核可以替换一个7×7的卷积核)，VGG网络中的类似架构可以在保证相同大小的感知视野的基础上，增加网络架构的深度，从而提升神经网络性能，并且减少大卷积核带来的参数量，提高模型的训练速度。训练之后的VGG19能够识别出病理切片图像中不同类型的组织。将不同区域的病理切片图像分别输入到VGG19中，VGG19将病理切片图像中包含的组织划分为了四种类型：腺体、肿瘤和间质和其他（包括黏膜肌层、肌肉层、背景、淋巴和脱落组织），其他组织不具有研究意义，直接舍弃。即上述的初始组织分类结果包括健康组织区域的腺体、肿瘤和间质；癌旁组织区域的腺体、肿瘤和间质；侵袭前缘区域的腺体、肿瘤和间质和肿瘤中心区域的腺体、肿瘤和间质。
在得到了初始组织分类结果之后，由于本申请实施例中的数据来源是预后的结直肠癌患者（结直肠癌根治术后的患者），所以健康组织和癌旁组织中不应存在肿瘤（肿瘤占比为0）；而在采样侵袭前缘和肿瘤中心的组织标本时，为尽量描述这两个位置的特征，病理医生会选择含肿瘤占比较多的位置采样。因此为保证数据准确、真实，本申请实施例排除了健康组织区域、癌旁组织区域处的肿瘤类型，以及侵袭前缘区域和肿瘤中心区域处的腺体类型。所以本申请实施例中的目标组织分类结果包括健康组织区域的腺体和间质、癌旁组织区域的腺体和间质、侵袭前缘区域的肿瘤和间质、肿瘤中心区域的肿瘤和间质。
对于病理切片图像的染色识别：将病理切片图像输入到预设的染色识别模型中，得到染色识别模型输出的目标染色识别结果。这里的染色识别模型为经过训练后的SoftMax模型。使用预先标注的训练图像对SoftMax模型进行训练，使得训练后的SoftMax模型能够识别训练图像中染色像素、未染色像素和背景像素。其中，染色像素和染色像素为前景像素。本申请实施例将病理切片图像输入到训练后的SoftMax模型中，SoftMax模型对病理切片图像中的染色像素、未染色像素和背景像素进行识别，得到目标染色识别结果。
在得到了目标组织分类结果和目标染色识别结果之后，本申请实施例需要根据目标组织分类结果和目标染色识别结果来确定各个免疫标记物在各个类型组织中的免疫评分。也就是说，本申请实施例需要确定十五种免疫标记物在健康组织区域腺体的免疫评分、健康组织区域间质的免疫评分、癌旁组织区域腺体的免疫评分、癌旁组织区域间质的免疫评分、侵袭前缘区域肿瘤的免疫评分、侵袭前缘区域间质的免疫评分、肿瘤中心区域肿瘤的免疫评分和肿瘤中心区域间质的免疫评分。
具体的，本申请实施例中的目标组织分类结果和目标染色识别结果都是基于同一病理切片图像得到的，所以目标组织分类结果与目标染色结果在为位置上具有对应关系。如图3所示，A为目标组织分类结果，B为目标染色识别结果。Q1区域为肿瘤，Q2区域为间质。Q3区域为染色像素，Q4区域为未染色像素。根据目标组织分类结果与目标染色结果的位置对应关系，能够根据目标组织分类结果中划分的不同类型组织，在目标染色识别结果上找到不同类型组织的对应位置。进而将各个类型组织下各个免疫标记物的染色像素与前景像素的比值，作为该类型组织中各个免疫标记物的免疫评分，免疫评分表征免疫标记物的表达效果。即：
。
在得到了各个类型组织中不同免疫标记物的免疫评分之后，由于不同的免疫标记物对于预后的影响程度不同。所以本申请实施例需要对上述的十五种免疫标记物进行筛选，选出与影响预后效果显著（即与预后相关）的目标免疫标记物。
筛选目标免疫标记物包括：对各个类型组织中不同免疫标记物的免疫评分进行生存的相关性检测，得到该免疫评分与生存的相关度；根据各个免疫评分与生存的相关度和相关度阈值，从免疫标记物中筛选出目标免疫标记物。
在具体实施的时候，通过Long-rank tes检验各个免疫评分，得到各个免疫标记物与生存的相关度（用P表示）。在得到了相关度之后，通过进行实验得到多组实验数据，通过对实验数据进行分析，本申请实施例得到一相关度阈值。本申请实施例认为相关度小于该相关度阈值的免疫标记物与预后显著相关，相关度大于等于该相关度阈值的免疫标记物与预后相关效果较差。所以本申请实施例在对上述十五种免疫标记物进行筛选为选择免疫评分小于相关度阈值的免疫标记物，并将筛选出来的免疫标记物作为目标免疫标记物。
作为一种可选的实施例，本申请实施例在对结直肠癌患者进行预测的时候，预测了结直肠癌患者的两个阶段：总生存期（Overall survival,OS）和无复发生存期（Relanee-fee survival，RFS）。OS定义为从结直肠癌根治术到死亡的时间；次要终点RFS定义为从结直肠癌根治术后到局部复发、远处复发的时间。针对不同的指标的预测，筛选的目标免疫标记物不同。
在8种组织类型和15种免疫标记物中，本申请实施例在OS和RFS上各自获得了120组免疫评分，其中在OS中有56组免疫评分与预后显著相关（P<0.05），所占比例达到了46.67%。而对于RFS的120组免疫评分，有54组与预后显著相关，所占比例为45%。这表明部分免疫标记物的表达（即免疫评分）与预后存在关联。在15种免疫标记物中，CD8+细胞、CD45RO+细胞、S100+细胞和CD20+细胞与患者OS呈高度相关（在8种组织类型中，显著个数>4），表明这些免疫细胞的浸润可能影响患者的生存；而CD45RO+细胞、GranzymeB+细胞和S100+细胞与患者RFS呈高度相关（在8种组织类型中，显著个数>4），其表达情况可能作为患者结直肠癌复发的影响因素。
如表1中，将P<0.05的免疫标记物作为os预测的目标免疫标记物，例如，健康组织中的CD8、CD45RO等。
表1：OS中15种免疫标记物的免疫评分与预后的关联
。
如表2中，将P<0.05的免疫标记物作为RFS预测的目标免疫标记物，如健康组织区域中腺体的CD3、CD45RO、CD4等。
表2：RFS中15种免疫标记物的免疫评分与预后的关联
。
得到了目标免疫标记物之后，根据目标免疫标记物的风险比与预后的相关性，计算出不同区域下各个类型组织的组织免疫评分。这里的风险比表征的是目标免疫标记物的表达与预后的相关性（呈正相关或呈负相关）。具体的，风险比是通过对各个所述目标免疫标记物的免疫评分分别进行单因素Cox回归分析，计算其高表达组与低表达组的比值得到的。如果风险比小于预设的风险比阈值（在具体实施的时候一般设置为1），则本申请实施例认为该免疫标记物为预后良好；如果风险比大于等于预设的风险比阈值，则本申请实施例认为该免疫标记物预后较差。
在得到了目标免疫标记物的风险比之后，本申请实施例还需要使用累积评分预后模型计算出各个类型组织的组织免疫评分。计算组织免疫评分为根据预后良好的免疫标记物的数量进行累加评分。对于预后良好的目标免疫标记物，如果结直肠癌患者呈高表达的话，则加一分；如果结直肠癌患者呈低表达的话，则不加分。对于预后较差的目标免疫标记物，如果结直肠癌患者呈高表达的话，则不加分；如果结直肠癌患者呈低表达的话，则加一分。对于每种组织类型来说，各个区域下的各个类型组织都能计算出一组织免疫评分。
作为一种可选的实施例，通过组织免疫评分的中位数，将患者分为高分组和低分组，然后使用Kaplan-Meier生存曲线和Log-ranktest评估这两组间的生存结果是否存在显著差异。在OS中，所有组织类型的高分组和低分组都存在显著生存差异，除肿瘤中心的间质（P=0.002）外，其余组织类型的P值均小于0.001；在RFS中，除肿瘤中心的肿瘤外，其余组织类型的高分组和低分组都与无复发生存存在显著差异：健康组织的腺体（P=0.006）和间质（P<0.001）、癌旁组织的腺体（P=0.011）和间质（P<0.001）、侵袭前缘的间质（P=0.003）和肿瘤（P=0.002）、肿瘤中心的间质（P=0.005）。为验证累积评分预后模型的有效性，本申请实施例使用R语言的“SurvivalROC”包，以25%、50%、75%三个分位数作为生存时间和无复发生存时间的截断值，画出TimeROC以评估模型的预测性能。在OS中，以25%、50%和75%作阈值的Time-ROC曲线的平均AUC分别为0.72、0.74和0.71；对于RFS，25%、50%和75%作阈值的Time-ROC曲线的平均AUC分别为0.76、0.77和0.75。这说明本申请实施例提出的累积评分预后模型具有较好的预测能力，证明多免疫标记物的结合可以提高预测结直肠癌患者预后的能力，并且这种预测是可重复的、稳定的。
之后，本申请实施例确定出了结直肠癌患者的生存风险等级和免疫进展评分，然后将生存风险等级和免疫进展评分结合起来作为对通过现有方式（例如TNM分期系统）得到的预测结果进行补充，共同为临床医生提供医治参考。
这里的生存风险等级根据各个免疫标记物的免疫评分得到的，结直肠癌患者的生存风险等级体现在生存风险指数的高低。具体的，本申请实施例通过对十五种免疫标记物的免疫评分进行拟合，得到了结直肠癌患者的生存风险指数，将该生存风险指数与预设的风险指数阈值进行对比，确定出结直肠癌患者的生存风险等级：若生存风险指数大于等于风险指数阈值，则属于高风险等级；若生存风险指数小于风险指数阈值，则属于低风险等级。在具体实施时，使用LASSO正则化的Cox回归模型进行拟合。通过对该模型进行训练，确定出最佳的正则化参数，使代价函数最小。然后使用包含该正则化参数的Cox回归模型对十五种免疫标记物的免疫评分进行拟合，即可得到结直肠癌患者的生存风险指数。
作为一种可选的实施例，通过R语言的“glmnet”包建立了多个使用LASSO正则化的Cox回归模型，拟合15种免疫标记物的免疫评分，用以预测每个患者的生存风险指数。在训练集上使用十折交叉验证来选择最佳的正则化参数（即λ），使代价函数最小，然后对所有患者应用该参数。具体做法为使用一系列的值对训练集进行训练，观察模型在验证集上的表现，然后选择在验证集上表现最好模型的λ值。在训练过程中，设定lambda.min为λ的最优选择。预测出每个患者的生存风险后，取中值为截断值将患者分为高风险组和低风险组，然后使用Kaplan-Meier生存曲线和Log-ranktest评估这两组间的生存结果是否存在显著差异。为减小每次交叉验证中训练集不同对实验结果的影响，本申请实施例还计算了LASSOCox所挑选的特征系数与免疫评分的线性组合，使用中值划分为高风险组和低风险组，其结果与模型直接预测生存风险一致。在OS中，健康组织的间质（P=0.003）、侵袭前缘的间质（P<0.001）、肿瘤中心的间质（P=0.046）和肿瘤（P=0.018）与患者生存时间显著相关。在RFS中，健康组织的腺体（P<0.001）、癌旁组织的腺体（P=0.011）和间质（P=0.007）、侵袭前缘的间质（P=0.016）和肿瘤（P=0.027）、肿瘤中心的间质（P<0.001）与患者无复发生存时间显著相关。且在所有组织类型中，高风险组患者的生存结果都要远差于低风险组，这证明了本申请实施例LASSO-Cox模型的有效性。
这里的免疫进展评分表征的肿瘤进展过程中免疫标记物对患者预后的确切影响。因为健康组织区域、癌旁组织区域不含肿瘤，侵袭前缘区域、肿瘤中心区域缺乏腺体，本申请实施例以间质作为研究载体。健康组织区域和癌旁组织区域属于健康区域范围，而侵袭前缘区域、肿瘤中心区域处于肿瘤区域，因此它们之间的目标免疫标记物表达对比应存在与肿瘤进展相关的因素，这与患者生存和复发有着密切联系。本申请实施例将这个对比定义为免疫讲展评分，实际为“肿瘤区域的免疫标记物表达”与“健康区域的免疫标记物表达”的比值，计算公式如下:
。
在得到了结直肠癌患者的生存风险等级和免疫进展评分之后，临床医生可以在了解了已有的预测结果之后，生存风险等级为其提供生成风险信息，免疫进展评分为其提供肿瘤进展信息，将三者结果能够更加准确的为结直肠癌患者制定医治策略。
图4示出了本申请实施例所提供的一种预测装置的结构示意图，所述装置包括：
识别模块，用于获取术后的结直肠癌患者标记后的病理切片图像，并对所述病理切片图像分别进行组织识别和染色识别，得到目标组织分类结果和目标染色识别结果；其中，标记后的病理切片图像是使用多种免疫标记物对术后的结直肠癌患者多个不同区域的病理切片进行标记得到；
第一评分模块，用于根据所述目标组织分类结果中的不同类型组织和所述目标染色识别结果中免疫标记物对应的染色比例，确定出各个类型组织中不同免疫标记物的免疫评分；
第二评分模块，用于根据各个类型组织中不同免疫标记物的免疫评分，从免疫标记物中筛选出与预后相关的目标免疫标记物，并根据所述目标免疫标记物的风险比与预后的相关性，计算出不同区域下各个类型组织的组织免疫评分；
确定模块，用于根据各个免疫标记物的免疫评分，确定结直肠癌患者的生存风险等级，并根据各个区域下影响肿瘤进展的目标类型组织的组织免疫评分，确定出结直肠癌患者的免疫进展评分；其中，所述生存风险等级和所述免疫进展评分用于与已有的预测结果结合为预后的结直肠癌患者提供医治参考。
通过以下方式得到标记后的病理切片图像：
对使用以下至少之一免疫标记物标记的健康组织区域的病理切片、癌旁组织区域的病理切片、侵袭前缘区域的病理切片、肿瘤中心区域的病理切片分别进行图像采集，得到标记后的病理切片图像：
CD3、CD8、CD45RO、GranzymeB、CD4、CD57、CD68、S100、Tryptase、FOXP3、CD20、HLA-DR、FasL、IL-17和Fas。
通过以下方式得到目标组织分类结果：
对所述病理切片图像输入到预设的组织分类模型中，得到所述组织分类模型输出的初始组织分类结果；
根据肿瘤在初始组织分类结果中不同类型组织的占比，从初始组织分类结果中筛选出符合占比要求的目标组织分类结果。
通过以下方式得到各个类型组织中不同免疫标记物的免疫评分：
将所述病理切片图像输入到预设的染色识别模型中，得到所述染色识别模型输出的免疫标记物是否对所述病理切片图像中各个像素进行染色的目标染色结果；所述目标染色结果包括前景像素和背景像素；所述前景像素包括染色像素和未染色像素；
将各个类型组织下各个免疫标记物的染色像素与前景像素的比值，作为该类型组织中各个免疫标记物的免疫评分。
通过以下方式得到目标免疫标记物：
对各个类型组织中不同免疫标记物的免疫评分进行生存的相关性检测，得到该免疫评分与生存的相关度；
根据各个免疫评分与生存的相关度和相关度阈值，从免疫标记物中筛选出目标免疫标记物。
通过以下方式得到各个类型组织的组织免疫评分：
对各个所述目标免疫标记物的免疫评分分别进行单因素Cox回归分析，计算出所述目标免疫标记物的风险比；
根据预设的风险比阈值和所述目标免疫标记物的风险比进行累加评分，得到各个类型组织的组织免疫评分。
如图5所示，本申请实施例提供了一种电子设备，用于执行本申请中的预测方法，该设备包括存储器、处理器、总线及存储在该存储器上并可在该处理器上运行的计算机程序，其中，上述处理器执行上述计算机程序时实现上述的预测方法的步骤。
具体地，上述存储器和处理器可以为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述的预测方法。
对应于本申请中的预测方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述的预测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述的预测方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其他的方式实现。以上所描述的系统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，又例如，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通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
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，既可以位于一个地方，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，在本申请提供的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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种预测方法，其特征在于，所述方法包括：
获取术后的结直肠癌患者标记后的病理切片图像，并对所述病理切片图像分别进行组织识别和染色识别，得到目标组织分类结果和目标染色识别结果；其中，标记后的病理切片图像是使用多种免疫标记物对术后的结直肠癌患者多个不同区域的病理切片进行标记得到；所述目标组织分类结果包括健康组织区域的腺体和间质、癌旁组织区域的腺体和间质、侵袭前缘区域的肿瘤和间质、肿瘤中心区域的肿瘤和间质；
根据所述目标组织分类结果中的不同类型组织和所述目标染色识别结果中免疫标记物对应的染色比例，确定出各个类型组织中不同免疫标记物的免疫评分；
根据各个类型组织中不同免疫标记物的免疫评分，从免疫标记物中筛选出与预后相关的目标免疫标记物，并根据所述目标免疫标记物的风险比与预后的相关性，计算出不同区域下各个类型组织的组织免疫评分；其中，针对总生存期和针对无复发生存期，筛选的目标免疫标记物不同；
根据各个免疫标记物的免疫评分，确定结直肠癌患者的生存风险等级，并根据各个区域下影响肿瘤进展的目标类型组织的组织免疫评分，确定出结直肠癌患者的免疫进展评分；其中，所述生存风险等级和所述免疫进展评分用于与已有的预测结果结合为预后的结直肠癌患者提供医治参考；
所述方法通过以下方式得到标记后的病理切片图像：
对使用以下免疫标记物标记的健康组织区域的病理切片、癌旁组织区域的病理切片、侵袭前缘区域的病理切片、肿瘤中心区域的病理切片分别进行图像采集，得到标记后的病理切片图像：
CD3、CD8、CD45RO、GranzymeB、CD4、CD57、CD68、S100、Tryptase、FOXP3、CD20、HLA-DR、FasL、IL-17和Fas；
所述方法通过以下方式得到目标免疫标记物：
对各个类型组织中不同免疫标记物的免疫评分进行生存的相关性检测，得到该免疫评分与生存的相关度；
根据各个免疫评分与生存的相关度和相关度阈值，从免疫标记物中筛选出目标免疫标记物。
2.根据权利要求1所述的方法，其特征在于，所述方法通过以下方式得到目标组织分类结果：
对所述病理切片图像输入到预设的组织分类模型中，得到所述组织分类模型输出的初始组织分类结果；
根据肿瘤在初始组织分类结果中不同类型组织的占比，从初始组织分类结果中筛选出符合占比要求的目标组织分类结果。
3.根据权利要求1所述的方法，其特征在于，所述方法通过以下方式得到各个类型组织中不同免疫标记物的免疫评分：
将所述病理切片图像输入到预设的染色识别模型中，得到所述染色识别模型输出的免疫标记物是否对所述病理切片图像中各个像素进行染色的目标染色结果；所述目标染色结果包括前景像素和背景像素；所述前景像素包括染色像素和未染色像素；
将各个类型组织下各个免疫标记物的染色像素与前景像素的比值，作为该类型组织中各个免疫标记物的免疫评分。
4.根据权利要求1所述的方法，其特征在于，所述方法通过以下方式得到各个类型组织的组织免疫评分：
对各个所述目标免疫标记物的免疫评分分别进行单因素Cox回归分析，计算出所述目标免疫标记物的风险比；
根据预设的风险比阈值和所述目标免疫标记物的风险比进行累加评分，得到各个类型组织的组织免疫评分。
5.一种预测装置，其特征在于，所述装置包括：
识别模块，用于获取术后的结直肠癌患者标记后的病理切片图像，并对所述病理切片图像分别进行组织识别和染色识别，得到目标组织分类结果和目标染色识别结果；其中，标记后的病理切片图像是使用多种免疫标记物对术后的结直肠癌患者多个不同区域的病理切片进行标记得到；所述目标组织分类结果包括健康组织区域的腺体和间质、癌旁组织区域的腺体和间质、侵袭前缘区域的肿瘤和间质、肿瘤中心区域的肿瘤和间质；
第一评分模块，用于根据所述目标组织分类结果中的不同类型组织和所述目标染色识别结果中免疫标记物对应的染色比例，确定出各个类型组织中不同免疫标记物的免疫评分；
第二评分模块，用于根据各个类型组织中不同免疫标记物的免疫评分，从免疫标记物中筛选出与预后相关的目标免疫标记物，并根据所述目标免疫标记物的风险比与预后的相关性，计算出不同区域下各个类型组织的组织免疫评分；其中，针对总生存期和针对无复发生存期，筛选的目标免疫标记物不同；
确定模块，用于根据各个免疫标记物的免疫评分，确定结直肠癌患者的生存风险等级，并根据各个区域下影响肿瘤进展的目标类型组织的组织免疫评分，确定出结直肠癌患者的免疫进展评分；其中，所述生存风险等级和所述免疫进展评分用于与已有的预测结果结合为预后的结直肠癌患者提供医治参考；
所述装置通过以下方式得到标记后的病理切片图像：
对使用以下免疫标记物标记的健康组织区域的病理切片、癌旁组织区域的病理切片、侵袭前缘区域的病理切片、肿瘤中心区域的病理切片分别进行图像采集，得到标记后的病理切片图像：
CD3、CD8、CD45RO、GranzymeB、CD4、CD57、CD68、S100、Tryptase、FOXP3、CD20、HLA-DR、FasL、IL-17和Fas；
所述装置通过以下方式得到目标免疫标记物：
对各个类型组织中不同免疫标记物的免疫评分进行生存的相关性检测，得到该免疫评分与生存的相关度；
根据各个免疫评分与生存的相关度和相关度阈值，从免疫标记物中筛选出目标免疫标记物。
6.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至4任一所述的预测方法的步骤。
7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至4任一所述的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929023.XA CN116646088B (zh) | 2023-07-27 | 2023-07-27 | 一种预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929023.XA CN116646088B (zh) | 2023-07-27 | 2023-07-27 | 一种预测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116646088A CN116646088A (zh) | 2023-08-25 |
| CN116646088B true CN116646088B (zh) | 2023-12-01 |
Family
ID=87623397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310929023.XA Active CN116646088B (zh) | 2023-07-27 | 2023-07-27 | 一种预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116646088B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005091203A2 (en) * | 2004-03-12 | 2005-09-29 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| CN103278650A (zh) * | 2013-05-29 | 2013-09-04 | 上海交通大学医学院附属新华医院 | 通过结直肠癌免疫学指标cd45ro阳性表达量对结直肠癌患者的预后进行评价的方法 |
| CN104541167A (zh) * | 2012-06-14 | 2015-04-22 | 国家医疗保健研究所 | 用于定量肿瘤组织中的免疫细胞的方法及其应用 |
| CN105209636A (zh) * | 2013-03-15 | 2015-12-30 | 麦塔马克基因股份有限公司 | 用于癌症预后的组合物和方法 |
| CN110400287A (zh) * | 2019-06-14 | 2019-11-01 | 广东省人民医院(广东省医学科学院) | 结直肠癌ihc染色图像肿瘤侵袭边缘和中心的检测系统及方法 |
| CN113450873A (zh) * | 2021-05-14 | 2021-09-28 | 山东大学 | 一种预测胃癌预后和免疫治疗适用性的标志物及其应用 |
| CN113454733A (zh) * | 2019-03-12 | 2021-09-28 | 豪夫迈·罗氏有限公司 | 用于预后组织模式识别的多实例学习器 |
| WO2022125959A1 (en) * | 2020-12-10 | 2022-06-16 | The Board Of Trustees Of The Leland Stanford Junior University | Features for determining ductal carcinoma in situ recurrence and progression |
| TW202230394A (zh) * | 2021-01-30 | 2022-08-01 | 奇美醫療財團法人奇美醫院 | 評估腫瘤標本免疫狀態的方法 |
| CN114998348A (zh) * | 2022-08-03 | 2022-09-02 | 南方医科大学南方医院 | 一种计算机可读存储介质及直肠癌预后预测模型构建系统 |
| CN115294129A (zh) * | 2022-10-08 | 2022-11-04 | 北京肿瘤医院(北京大学肿瘤医院) | 肿瘤免疫治疗预后评估方法、装置、电子设备及存储介质 |
| CN115394445A (zh) * | 2022-05-25 | 2022-11-25 | 郑州金域临床检验中心有限公司 | 结肠癌预后标记基因及其筛选、预后预测及模型构建方法 |
| CN115436636A (zh) * | 2022-11-08 | 2022-12-06 | 济南市中心医院 | 连接粘附分子样蛋白jaml在结直肠癌中的应用 |
| CN115497093A (zh) * | 2022-09-20 | 2022-12-20 | 广东省人民医院 | 结直肠癌ihc染色图肿瘤浸润前沿的免疫分级方法、系统和存储介质 |
| CN115527681A (zh) * | 2022-11-11 | 2022-12-27 | 北京科技大学 | 一种结直肠癌预后预测模型构建方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2361877A1 (en) * | 1999-03-01 | 2000-09-08 | Genentech, Inc. | Antibodies for cancer therapy and diagnosis |
| EP3839812A3 (en) * | 2014-09-03 | 2021-09-01 | Ventana Medical Systems, Inc. | Systems and methods for generating regions in an image encompassing tumor cells |
| WO2019020556A1 (en) * | 2017-07-24 | 2019-01-31 | Ventana Medical Systems, Inc. | METHODS AND SYSTEMS FOR ASSESSING INFILTRAT OF IMMUNE CELLS IN TUMOR SAMPLES |
| WO2019149817A1 (en) * | 2018-01-31 | 2019-08-08 | Ventana Medical Systems, Inc. | Methods and systems for evaluation of immune cell infiltrate in stage iii colorectal cancer |
| US20220335606A1 (en) * | 2021-04-15 | 2022-10-20 | Sanofi | Systems and methods for patient tumor-immune phenotyping from immunofluorescence (if) image analysis |
| EP4138091A1 (en) * | 2021-08-20 | 2023-02-22 | Dassault Systèmes | Cancer prognosis |
-
2023
- 2023-07-27 CN CN202310929023.XA patent/CN116646088B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005091203A2 (en) * | 2004-03-12 | 2005-09-29 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| CN104541167A (zh) * | 2012-06-14 | 2015-04-22 | 国家医疗保健研究所 | 用于定量肿瘤组织中的免疫细胞的方法及其应用 |
| CN105209636A (zh) * | 2013-03-15 | 2015-12-30 | 麦塔马克基因股份有限公司 | 用于癌症预后的组合物和方法 |
| CN103278650A (zh) * | 2013-05-29 | 2013-09-04 | 上海交通大学医学院附属新华医院 | 通过结直肠癌免疫学指标cd45ro阳性表达量对结直肠癌患者的预后进行评价的方法 |
| CN113454733A (zh) * | 2019-03-12 | 2021-09-28 | 豪夫迈·罗氏有限公司 | 用于预后组织模式识别的多实例学习器 |
| CN110400287A (zh) * | 2019-06-14 | 2019-11-01 | 广东省人民医院(广东省医学科学院) | 结直肠癌ihc染色图像肿瘤侵袭边缘和中心的检测系统及方法 |
| WO2022125959A1 (en) * | 2020-12-10 | 2022-06-16 | The Board Of Trustees Of The Leland Stanford Junior University | Features for determining ductal carcinoma in situ recurrence and progression |
| TW202230394A (zh) * | 2021-01-30 | 2022-08-01 | 奇美醫療財團法人奇美醫院 | 評估腫瘤標本免疫狀態的方法 |
| CN113450873A (zh) * | 2021-05-14 | 2021-09-28 | 山东大学 | 一种预测胃癌预后和免疫治疗适用性的标志物及其应用 |
| CN115394445A (zh) * | 2022-05-25 | 2022-11-25 | 郑州金域临床检验中心有限公司 | 结肠癌预后标记基因及其筛选、预后预测及模型构建方法 |
| CN114998348A (zh) * | 2022-08-03 | 2022-09-02 | 南方医科大学南方医院 | 一种计算机可读存储介质及直肠癌预后预测模型构建系统 |
| CN115497093A (zh) * | 2022-09-20 | 2022-12-20 | 广东省人民医院 | 结直肠癌ihc染色图肿瘤浸润前沿的免疫分级方法、系统和存储介质 |
| CN115294129A (zh) * | 2022-10-08 | 2022-11-04 | 北京肿瘤医院(北京大学肿瘤医院) | 肿瘤免疫治疗预后评估方法、装置、电子设备及存储介质 |
| CN115436636A (zh) * | 2022-11-08 | 2022-12-06 | 济南市中心医院 | 连接粘附分子样蛋白jaml在结直肠癌中的应用 |
| CN115527681A (zh) * | 2022-11-11 | 2022-12-27 | 北京科技大学 | 一种结直肠癌预后预测模型构建方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| CD4+CD25+Foxp3+调节性T 细胞对结直肠癌肿瘤 免疫的影响及与临床病理的关系;张爱军 等;《中国现代普通外科进展》;第19卷(第7期);第505-510页 * |
| 不同分期结直肠癌间质病理特征与预后及淋巴结转移的相关性;王景林 等;《肿瘤》(第41期);第54页左栏第2段至第55页右栏第2段 * |
| 直肠癌患者肿瘤原位免疫与外周血T 淋巴细胞亚群 及肿瘤分化程度的相关性;朱兴国 等;《苏州大学学报（医学版）》;第31卷(第5期);第764-768页 * |
| 结直肠癌组织中肿瘤出芽与恶性程度分析;黄文斌 等;《南京医科大学学报（自然科学版）》;第27卷(第12期);第1422页左栏第1段至第1424页右栏第1段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116646088A (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6143743B2 (ja) | 細胞におけるバイオマーカーの発現のクラスターによる解析 | |
| CN109492711B (zh) | 基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类系统 | |
| Lee et al. | Nuclear shape and architecture in benign fields predict biochemical recurrence in prostate cancer patients following radical prostatectomy: preliminary findings | |
| Shariat et al. | Pathologic nodal staging score for bladder cancer: a decision tool for adjuvant therapy after radical cystectomy | |
| JP2008513793A (ja) | ガンの予後のためのマーカー候補を分析および最適化するための方法およびコンピュータープログラム製品 | |
| Chen et al. | Clinical use of a machine learning histopathological image signature in diagnosis and survival prediction of clear cell renal cell carcinoma | |
| Koyuncu et al. | Computerized tumor multinucleation index (MuNI) is prognostic in p16+ oropharyngeal carcinoma | |
| US20230020368A1 (en) | Systems and methods for processing electronic images to determine testing for unstained specimens | |
| Phillips et al. | Segmentation of prognostic tissue structures in cutaneous melanoma using whole slide images | |
| Leo et al. | Computationally derived cribriform area index from prostate cancer hematoxylin and eosin images is associated with biochemical recurrence following radical prostatectomy and is most prognostic in gleason grade group 2 | |
| CN115937130A (zh) | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 | |
| WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| CN116597985A (zh) | 生存率预测模型训练方法、生存期预测方法及装置、设备 | |
| Ahn et al. | Artificial Intelligence in Breast Cancer Diagnosis and Personalized Medicine | |
| CN116646088B (zh) | 一种预测方法、装置、设备及介质 | |
| US20240112812A1 (en) | Systems and methods for determining breast cancer prognosis and associated features | |
| Narayanan et al. | Unmasking the tissue microecology of ductal carcinoma in situ with deep learning | |
| Fu et al. | Development and validation of a collagen signature-based nomogram for preoperatively predicting lymph node metastasis and prognosis in colorectal cancer | |
| Wang et al. | Multi-scale pathology image texture signature is a prognostic factor for resectable lung adenocarcinoma: a multi-center, retrospective study | |
| Terada et al. | Deep Learning for Predicting Effect of Neoadjuvant Therapies in Non–Small Cell Lung Carcinomas With Histologic Images | |
| Bhattacharjee et al. | Invasive Region Segmentation using Pre-trained UNet and Prognosis Analysis of Breast Cancer based on Tumor-Stroma Ratio | |
| CN110786834B (zh) | 一种基于舌象特征和bmi指数的脂肪肝预测模型 | |
| Tiwari et al. | Survey on computer-aided automated melanoma detection | |
| KR20240012401A (ko) | 공간 분포 분석에 기초하는 종양 면역표현법 | |
| Chaudhry et al. | Artificial Intelligence in Breast Pathology |
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 |