CN116687353B - 新辅助化疗疗效评估系统、设备及介质 - Google Patents
新辅助化疗疗效评估系统、设备及介质 Download PDFInfo
- Publication number
- CN116687353B CN116687353B CN202310955986.7A CN202310955986A CN116687353B CN 116687353 B CN116687353 B CN 116687353B CN 202310955986 A CN202310955986 A CN 202310955986A CN 116687353 B CN116687353 B CN 116687353B
- Authority
- CN
- China
- Prior art keywords
- determining
- current object
- threshold value
- probability value
- class probability
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 102
- 230000000694 effects Effects 0.000 title claims abstract description 24
- 238000011226 adjuvant chemotherapy Methods 0.000 title description 15
- 238000011227 neoadjuvant chemotherapy Methods 0.000 claims abstract description 66
- 230000003287 optical effect Effects 0.000 claims abstract description 59
- 230000003044 adaptive effect Effects 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 35
- 230000004660 morphological change Effects 0.000 claims abstract description 29
- 238000011282 treatment Methods 0.000 claims abstract description 18
- 238000002512 chemotherapy Methods 0.000 claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 47
- 230000035945 sensitivity Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 29
- 238000013135 deep learning Methods 0.000 claims description 27
- 238000002604 ultrasonography Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 5
- 206010028980 Neoplasm Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 201000011510 cancer Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 210000004881 tumor cell Anatomy 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000000540 analysis of variance Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- -1 ER) Proteins 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 102000015694 estrogen receptors Human genes 0.000 description 2
- 108010038795 estrogen receptors Proteins 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 230000037323 metabolic rate Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 102000003998 progesterone receptors Human genes 0.000 description 2
- 108090000468 progesterone receptors Proteins 0.000 description 2
- 101000851181 Homo sapiens Epidermal growth factor receptor Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
Abstract
本申请公开了一种新辅助化疗疗效评估系统、设备及介质，涉及计算机领域，包括：疗程确定模块，用于确定当前对象的第一预设阶段和第二预设阶段；第一概率值确定模块，用于获取当前对象第一动态光学影像、第二动态光学影像，确定当前对象的第一类别概率值；功能评估模块，用于利用自适应分类阈值确定算法确定第一阈值，确定当前对象的功能变化评估结果；第二概率值确定模块，用于若第一类别概率值大于第一阈值，则获取当前对象第一超声影像、第二超声影像，确定当前对象的第二类别概率值；形态评估模块，用于利用自适应分类阈值确定算法确定第二预设阶段的第二阈值，确定当前对象的形态变化评估结果。能够及时、可靠的评估新辅助化疗疗效。
Description
技术领域
本发明涉及计算机领域，特别涉及新辅助化疗疗效评估系统、设备及介质。
背景技术
乳腺癌新辅助化疗指在术前通过化疗手段降低肿瘤恶性程度便于手术及预后治疗，然而研究表明仅有20%~30%的患者对新辅助化疗敏感。新辅助化疗疗程通常会持续4~8个周期，为了防止因为新辅助化疗导致延误有效治疗而致使病情恶化的发生，需要及时的发现不敏感病人，也即需要准确及时的评估出新辅助化疗疗效。目前新辅助化疗疗效的评估方法分为以下两种：
1）利用动态光学影像获取恶性肿瘤细胞的功能变化，根据功能变化评估新辅助化疗疗效；
2）利用超声影像获取肿瘤组织的形态学变化，根据形态学变化评估新辅助化疗疗效；
研究表明在新辅助化疗的过程中，恶性肿瘤细胞的功能变化要早于肿瘤组织的形态学变化，所以只有等到新辅助化疗中后期，超声影像才能探测的肿瘤形态变化，也即利用超声影像的方法是无法对新辅助病人疗效实现及时的预测评估，而利用动态光学影像捕捉肿瘤区域血氧浓度及代谢速度在治疗过程中的变化来进行病人新辅助化疗疗效预测，评估过程相对抽象不易理解且预测准确率较低，因此无法实现可靠的新辅助化疗疗效评估。
综上可见，如何及时、可靠的对新辅助化疗疗效进行评估是本领域有待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种新辅助化疗疗效评估系统、设备及介质，能够及时、可靠的对新辅助化疗疗效进行评估。其具体方案如下：
第一方面，本申请公开了一种新辅助化疗疗效评估系统，包括：
疗程确定模块，用于确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；
第一概率值确定模块，用于获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；
功能评估模块，用于利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；
第二概率值确定模块，用于若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；
形态评估模块，用于利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果。
可选的，所述第一概率值确定模块，包括：
第一特征提取单元，用于对所述第一动态光学影像、所述第二动态光学影像进行特征提取，以得到包含第一深度学习特征、第一人工特征、第一临床特征的第一影像组学参数；
第一权重确定单元，用于确定出与所述第一深度学习特征、所述第一人工特征、所述第一临床特征对应的第一特征权重信息；
第一类别概率值确定单元，用于利用所述第一特征权重信息、所述第一深度学习特征、所述第一人工特征和所述第一临床特征确定所述当前对象的第一类别概率值。
可选的，所述第二概率值确定模块，包括：
第二特征提取单元，用于对所述第一超声影像、所述第二超声影像进行特征提取，以得到包含第二深度学习特征、第二人工特征、第二临床特征的第二影像组学参数；
第二权重确定单元，用于确定出与所述第二深度学习特征、所述第二人工特征、所述第二临床特征对应的第二特征权重信息；
第二类别概率值确定单元，用于利用所述第二特征权重信息、第二深度学习特征、所述第二人工特征和所述第二临床特征确定所述当前对象的第二类别概率值。
可选的，所述功能评估模块，包括：
第一判断单元，用于判断所述第一类别概率值是否大于所述第一阈值；
第一功能评估单元，用于若所述第一类别概率值大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设有反应人群；
第二功能评估单元，用于若所述第一类别概率值不大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设无反应人群。
可选的，所述形态评估模块，包括：
第二判断单元，用于判断所述第二类别概率值是否大于所述第二阈值；
第一形态评估单元，用于若所述第二类别概率值大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设有反应人群；
第二形态评估单元，用于若所述第二类别概率值不大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设无反应人群。
可选的，所述功能评估模块，包括：
第一信息获取单元，用于获取所述第一预设阶段的第一期望灵敏度和第一期望特异度；
第一阈值获取单元，用于利用自适应分类阈值确定算法对所述第一期望灵敏度和所述第一期望特异度进行处理，以得到所述第一预设阶段的第一阈值。
可选的，所述形态评估模块，包括：
第二信息获取单元，用于获取所述第二预设阶段的第二期望灵敏度和第二期望特异度；
第二阈值获取单元，用于利用自适应分类阈值确定算法对所述第二期望灵敏度和所述第二期望特异度进行处理，以得到所述第二预设阶段的第二阈值。
第二方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现以下步骤：
确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；
获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；
利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；
若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；
利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果。
第三方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现以下步骤：
确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；
获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；
利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；
若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；
利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果。
本申请有益效果为：本申请的疗程确定模块，用于确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；第一概率值确定模块，用于获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；功能评估模块，用于利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；第二概率值确定模块，用于若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；形态评估模块，用于利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果。由此可见，本申请利用自适应分类阈值确定算法能够确定出分别适合第一预设阶段的第一阈值和第二预设阶段的第二阈值，那么就可以基于利用动态光学影像获取的第一类别概率值和第一阈值，及时的确定出当前对象在第一预设阶段后的功能变化评估结果，以更加精准的确定当前对象是否有必要继续进行新辅助化疗；若第一类别概率值大于第一阈值，即当前对象有必要继续进行新辅助化疗，则基于利用超声影像获取的第二类别概率值和第二阈值，可靠的确定出当前对象在第二预设阶段后的形态变化评估结果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种新辅助化疗疗效评估系统的结构图；
图2为本申请公开的一种具体的疗效评估流程示意图；
图3为本申请公开的一种具体的新辅助化疗疗效评估系统的结构图；
图4为本申请公开的一种具体的类别概率值确定示意图；
图5为本申请公开的一种电子设备结构图。
具体实施方式
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，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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
研究表明在新辅助化疗的过程中，恶性肿瘤细胞的功能变化要早于肿瘤组织的形态学变化，所以只有等到新辅助化疗中后期，超声影像才能探测的肿瘤形态变化，也即利用超声影像的方法是无法对新辅助病人疗效实现及时的预测评估，而利用动态光学影像捕捉肿瘤区域血氧浓度及代谢速度在治疗过程中的变化来进行病人新辅助化疗疗效预测，评估过程相对抽象不易理解且预测准确率较低，因此无法实现可靠的新辅助化疗疗效评估。
为此本申请相应的提供了一种新辅助化疗疗效评估方案，能够及时、可靠的对新辅助化疗疗效进行评估。
参见图1所示，本申请实施例公开了一种新辅助化疗疗效评估系统，包括：
疗程确定模块11，用于确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；
第一概率值确定模块12，用于获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；
功能评估模块13，用于利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；
第二概率值确定模块14，用于若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；
形态评估模块15，用于利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果。
所述疗程确定模块11，具体用于确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段，可以理解的是，新辅助化疗的疗程一般为4至6周期，在新辅助化疗早期就可以利用动态光学影像确定恶性肿瘤细胞的功能变化，中后期可以利用超声影像确定肿瘤组织的形态学变化，因此，第一预设阶段可以是新辅助化疗早期阶段，第二预设阶段则是新辅助化疗中后期阶段，例如第一预设阶段为新辅助化疗的第2个周期，第二预设阶段是新辅助化疗的第5个周期。
所述新辅助化疗疗效评估系统还具体用于确定自适应分类阈值确定算法。目前通用的分类阈值是通过最大化如下的目标函数所确定：
SE+SP-1；
式中，SE表示灵敏度、SP表示特异度；SE在医学分类问题中体现算法对恶性数据判断的灵敏程度，SE=TP/（TP+FN），其中，TP表示真阳性，FN表示假阴性；SP反映算法对正常样本的判断情况，也就是误诊为恶性的情况，SP=TN/（TN+FP），其中，TN表示真阴性，FP表示假阳性。
在通用的确定最佳分类阈值的目标函数中，等重要程度地对待灵敏度以及特异度，但是在实际过程中却不是如此，例如在乳腺癌新辅助化疗疗效两阶段评估框架中，第一预设阶段化疗疗程早期应该尽可能准确地找到不敏感患者，避免可能有效患者错过后续治疗，而第二预设阶段化疗疗程中后期应该尽可能多的找到不敏感患者，因为可能有效患者已经得到一定治疗，此阶段确保找到不敏感患者，以便及时调整方案，因此需要在自适应分类阈值确定算法中对经典的目标函数根据实际需求进行调整，调整形式如下：
λSE+(1-λ)SP，0<λ<1；
式中，λ表示对分类问题中SE重视程度，定义F、f为病人患者的累积分布函数以及概率密度函数，相应的G、g是健康人群的累积分布函数和概率密度函数。在给定截断值z下，灵敏度SE和特异度SP可表示成如下形式：
SP(z)=G(z)；
SE(z)=1-F(z)；
ROC（Receiver Operating Characteristic，即受试者工作特征）曲线是1-SP与SE之间的关系曲线，令SE=R(t)，t=1-SP可得：
R(t)=1-F(G-1(1-t))，t∈[0，1]；
求导后得：
；
最大化自适应分类阈值确定算法目标函数λSE+(1-λ)SP，等价于最大化(1−λ)G(z)−λF(z)，对该式求导得到其充分条件λf(z0)=(1-λ)G(z0)，令t0=1-G(z0)，可得下式：
；
结合上式可知，当ROC曲线中斜率为时对应的截断值即可实现自适应分类阈值确定算法目标函数最大化，也即，ROC曲线斜率为/>时对应的截断值就是分类阈值；
此外，自适应分类阈值确定算法目标函数中对分类问题中SE重视程度由期望灵敏度和期望特异度决定，/>确定算法具体如下式：
；
所述功能评估模块13，包括：第一信息获取单元131，用于获取所述第一预设阶段的第一期望灵敏度和第一期望特异度；第一阈值获取单元132，用于利用自适应分类阈值确定算法对所述第一期望灵敏度和所述第一期望特异度进行处理，以得到所述第一预设阶段的第一阈值。
所述功能评估模块13，包括：第一判断单元133，用于判断所述第一类别概率值是否大于所述第一阈值；第一功能评估单元134，用于若所述第一类别概率值大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设有反应人群；第二功能评估单元135，用于若所述第一类别概率值不大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设无反应人群。例如图2所示的一种具体的疗效评估流程示意图，当第一类别概率值不大于第一阈值时，就将当前对象判定为第一预设无反应人群，也即属于RD(Residual Disease，即残余疾病)类别，当第一类别概率值大于第一阈值时，就将当前对象判定为第一预设有反应人群，也即属于PCR(Pathological complete response，即病理学完全缓解)类别，属于RD类别则证明当前对象不适合继续进行新辅助化疗，以便及时调整当前对象的治疗策略，避免延误当前对象的治疗，属于PCR类别则证明目前新辅助化疗对当前对象有治疗的效果，可以后续对当前对象继续进行新辅助化疗，并进行相应的第二预设阶段的疗效评估。可见，利用自适应分类阈值确定算法可以确定出更加适合第一预设阶段的第一阈值，进而更加准确的查找出属于第一无反应人群的患者。
所述形态评估模块15，包括：第二信息获取单元151，用于获取所述第二预设阶段的第二期望灵敏度和第二期望特异度；第二阈值获取单元152，用于利用自适应分类阈值确定算法对所述第二期望灵敏度和所述第二期望特异度进行处理，以得到所述第二预设阶段的第二阈值。
所述形态评估模块15，包括：第二判断单元153，用于判断所述第二类别概率值是否大于所述第二阈值；第一形态评估单元154，用于若所述第二类别概率值大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设有反应人群；第二形态评估单元155，用于若所述第二类别概率值不大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设无反应人群。例如图2所示，若第二类别概率值大于第二阈值，则判定当前对象属于第二预设有反应人群，若第二类别概率值不大于第二阈值，则判定当前对象属于第二预设无反应人群，属于第二预设有反应人群则可以继续进行新辅助化疗，属于第二预设无反应人群则可以停止新辅助化疗，调整相应的助力策略。可见，利用自适应分类阈值确定算法可以确定出更加适合第二预设阶段的第二阈值，进而尽可能多的查找出属于第二无反应人群的患者。
本申请有益效果为：本申请的疗程确定模块，用于确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；第一概率值确定模块，用于获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；功能评估模块，用于利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；第二概率值确定模块，用于若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；形态评估模块，用于利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果。由此可见，本申请利用自适应分类阈值确定算法能够确定出分别适合第一预设阶段的第一阈值和第二预设阶段的第二阈值，那么就可以基于利用动态光学影像获取的第一类别概率值和第一阈值，及时的确定出当前对象在第一预设阶段后的功能变化评估结果，以更加精准的确定当前对象是否有必要继续进行新辅助化疗；若第一类别概率值大于第一阈值，即当前对象有必要继续进行新辅助化疗，则基于利用超声影像获取的第二类别概率值和第二阈值，可靠的确定出当前对象在第二预设阶段后的形态变化评估结果。
参照图3所示，本发明实施例公开了一种具体的新辅助化疗疗效评估系统模块框架，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
所述第一概率值确定模块12，包括：第一特征提取单元121，用于对所述第一动态光学影像、所述第二动态光学影像进行特征提取，以得到包含第一深度学习特征、第一人工特征、第一临床特征的第一影像组学参数；例如图4所示的一种具体的类别概率值确定示意图，将第一动态光学影像、第二动态光学影像输入，深度卷积神经网络提取输入的影像的特征，得到第一深度学习特征，例如人工特征提取算法提取输入的影像的特征，得到第一人工特征，并获取第一临床特征，进而得到包含第一深度学习特征、第一人工特征、第一临床特征的第一影像组学参数。
所述第一概率值确定模块12，包括：第一权重确定单元122，用于确定出与所述第一深度学习特征、所述第一人工特征、所述第一临床特征对应的第一特征权重信息。首先对第一影像组学参数进行特征选择，也即从第一深度学习特征、第一人工特征、第一临床特征中筛选出第一目标深度学习特征、第一目标人工特征、第一目标临床特征，然后确定出第一目标深度学习特征、第一目标人工特征、第一目标临床特征的第一特征权重信息，例如利用多变量逻辑回归算法进行预测模型建模，以利用预测模型确定出第一特征权重信息。
所述第一概率值确定模块12，包括：第一类别概率值确定单元123，用于利用所述第一特征权重信息、所述第一深度学习特征、所述第一人工特征和所述第一临床特征确定所述当前对象的第一类别概率值。基于第一特征权重信息对第一目标深度学习特征、第一目标人工特征、第一目标临床特征进行加权求和，利用sigmoid函数将加权求和结果映射成第一类别概率值，第一类别概率值范围为0~1。
所述第二概率值确定模块14，包括：第二特征提取单元141，用于对所述第一超声影像、所述第二超声影像进行特征提取，以得到包含第二深度学习特征、第二人工特征、第二临床特征的第二影像组学参数；第二权重确定单元142，用于确定出与所述第二深度学习特征、所述第二人工特征、所述第二临床特征对应的第二特征权重信息；第二类别概率值确定单元143，用于利用所述第二特征权重信息、第二深度学习特征、所述第二人工特征和所述第二临床特征确定所述当前对象的第二类别概率值。例如可以利用DenseNet（DenselyConnected Convolutional Networks，即稠密连接卷积网络）提取出第二深度学习特征，DenseNet是通过将前面所有层与后面层建立密集连接，实现特征复用的神经网络结构，该网络结构能够实现减轻梯度消失问题、加强特征传递、鼓励特征重用，并且整个网络有较少的参数数量。第二人工特征可以通过公开影像组学特征提取库（Pyradiomics）进行提取，第二人工特征一共主要分成一阶灰度相关特征、二维与三维形态学特征以及相关的形态学特征、纹理特征。第二临床特征指乳腺癌相关的基因组学参数，主要包括雌激素受体（Estrogen Receptor，即ER）、孕激素受体（Progesterone Receptor，即PR）、人表皮生长因子受体以及Ki-67。确定第二特征权重信息之前，还需要进行特征选择，例如采用方差分析(Analysis of variance，即ANOVA)以及肯德尔等级相关系数(Kendall tau rankcorrelation coefficient)对三大类型特征进行选择筛选，以得到第二目标深度学习特征、第二目标人工特征和第二目标临床特征，然后再确定第二目标深度学习特征、第二目标人工特征和第二目标临床特征的第二特征权重信息。
进一步的，本申请实施例还提供了一种电子设备。图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备的结构示意图。具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现以下步骤：
确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；
获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；
利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；
若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；
利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果。
本实施例中，电源23用于为电子设备上的各硬件设备提供工作电压；通信接口24能够为电子设备创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及数据223等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备执行的新辅助化疗疗效评估方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据，也可以包括由自身输入输出接口25采集到的数据等。
进一步的，本申请实施例还公开了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的由新辅助化疗疗效评估过程中执行的方法步骤。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种新辅助化疗疗效评估系统、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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 (5)
1.一种新辅助化疗疗效评估系统，其特征在于，包括：
疗程确定模块，用于确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；其中，所述第一预设阶段为新辅助化疗早期阶段，所述第二预设阶段为新辅助化疗中后期阶段；
第一概率值确定模块，用于获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；
功能评估模块，用于利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；
第二概率值确定模块，用于若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；
形态评估模块，用于利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果；
所述功能评估模块，包括：
第一信息获取单元，用于获取所述第一预设阶段的第一期望灵敏度和第一期望特异度；
第一阈值获取单元，用于利用自适应分类阈值确定算法对所述第一期望灵敏度和所述第一期望特异度进行处理，以得到所述第一预设阶段的第一阈值；
所述第一阈值获取单元，具体用于利用
确定/>；其中，/>表示灵敏度，/>表示特异度，/>表示对分类问题中SE重视程度，将ROC曲线斜率为/>时对应的截断值确定为所述第一预设阶段的第一阈值；
所述功能评估模块，包括：
第一判断单元，用于判断所述第一类别概率值是否大于所述第一阈值；
第一功能评估单元，用于若所述第一类别概率值大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设有反应人群；
第二功能评估单元，用于若所述第一类别概率值不大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设无反应人群；
所述形态评估模块，包括：
第二信息获取单元，用于获取所述第二预设阶段的第二期望灵敏度和第二期望特异度；
第二阈值获取单元，用于利用自适应分类阈值确定算法对所述第二期望灵敏度和所述第二期望特异度进行处理，以得到所述第二预设阶段的第二阈值；
所述第二阈值获取单元，具体用于利用
确定/>；其中，/>表示灵敏度，/>表示特异度，/>表示对分类问题中SE重视程度，将ROC曲线斜率为/>时对应的截断值确定为所述第二预设阶段的第二阈值；
所述形态评估模块，包括：
第二判断单元，用于判断所述第二类别概率值是否大于所述第二阈值；
第一形态评估单元，用于若所述第二类别概率值大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设有反应人群；
第二形态评估单元，用于若所述第二类别概率值不大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设无反应人群。
2.根据权利要求1所述的新辅助化疗疗效评估系统，其特征在于，所述第一概率值确定模块，包括：
第一特征提取单元，用于对所述第一动态光学影像、所述第二动态光学影像进行特征提取，以得到包含第一深度学习特征、第一人工特征、第一临床特征的第一影像组学参数；
第一权重确定单元，用于确定出与所述第一深度学习特征、所述第一人工特征、所述第一临床特征对应的第一特征权重信息；
第一类别概率值确定单元，用于利用所述第一特征权重信息、所述第一深度学习特征、所述第一人工特征和所述第一临床特征确定所述当前对象的第一类别概率值。
3.根据权利要求2所述的新辅助化疗疗效评估系统，其特征在于，所述第二概率值确定模块，包括：
第二特征提取单元，用于对所述第一超声影像、所述第二超声影像进行特征提取，以得到包含第二深度学习特征、第二人工特征、第二临床特征的第二影像组学参数；
第二权重确定单元，用于确定出与所述第二深度学习特征、所述第二人工特征、所述第二临床特征对应的第二特征权重信息；
第二类别概率值确定单元，用于利用所述第二特征权重信息、第二深度学习特征、所述第二人工特征和所述第二临床特征确定所述当前对象的第二类别概率值。
4.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现以下步骤：
确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；其中，所述第一预设阶段为新辅助化疗早期阶段，所述第二预设阶段为新辅助化疗中后期阶段；
获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；
利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；
若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；
利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果；
所述利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，包括：
获取所述第一预设阶段的第一期望灵敏度和第一期望特异度；
利用自适应分类阈值确定算法对所述第一期望灵敏度和所述第一期望特异度进行处理，以得到所述第一预设阶段的第一阈值；
所述利用自适应分类阈值确定算法对所述第一期望灵敏度和所述第一期望特异度进行处理，以得到所述第一预设阶段的第一阈值，包括：
利用确定/>；其中，/>表示灵敏度，/>表示特异度，表示对分类问题中SE重视程度，将ROC曲线斜率为/>时对应的截断值确定为所述第一预设阶段的第一阈值；
所述基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果，包括：
判断所述第一类别概率值是否大于所述第一阈值；
若所述第一类别概率值大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设有反应人群；
若所述第一类别概率值不大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设无反应人群；
所述利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，包括：
获取所述第二预设阶段的第二期望灵敏度和第二期望特异度；
利用自适应分类阈值确定算法对所述第二期望灵敏度和所述第二期望特异度进行处理，以得到所述第二预设阶段的第二阈值；
所述利用自适应分类阈值确定算法对所述第二期望灵敏度和所述第二期望特异度进行处理，以得到所述第二预设阶段的第二阈值，包括：
利用确定/>；其中，/>表示灵敏度，/>表示特异度，表示对分类问题中SE重视程度，将ROC曲线斜率为/>时对应的截断值确定为所述第二预设阶段的第二阈值；
所述基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果，包括：
判断所述第二类别概率值是否大于所述第二阈值；
若所述第二类别概率值大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设有反应人群；
若所述第二类别概率值不大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设无反应人群。
5.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现以下步骤：
确定当前对象在新辅助化疗中的第一预设阶段和第二预设阶段；其中，所述第一预设阶段为新辅助化疗早期阶段，所述第二预设阶段为新辅助化疗中后期阶段；
获取所述当前对象在所述新辅助化疗前的第一动态光学影像以及在所述第一预设阶段后的第二动态光学影像，利用所述第一动态光学影像、所述第二动态光学影像中的第一影像组学参数确定所述当前对象的第一类别概率值；
利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果；
若所述第一类别概率值大于所述第一阈值，则获取所述当前对象在所述新辅助化疗前的第一超声影像以及在所述第二预设阶段后的第二超声影像，利用所述第一超声影像、所述第二超声影像中的第二影像组学参数确定所述当前对象的第二类别概率值；
利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果；
所述利用自适应分类阈值确定算法确定所述第一预设阶段的第一阈值，包括：
获取所述第一预设阶段的第一期望灵敏度和第一期望特异度；
利用自适应分类阈值确定算法对所述第一期望灵敏度和所述第一期望特异度进行处理，以得到所述第一预设阶段的第一阈值；
所述利用自适应分类阈值确定算法对所述第一期望灵敏度和所述第一期望特异度进行处理，以得到所述第一预设阶段的第一阈值，包括：
利用确定/>；其中，/>表示灵敏度，/>表示特异度，表示对分类问题中SE重视程度，将ROC曲线斜率为/>时对应的截断值确定为所述第一预设阶段的第一阈值；
所述基于所述第一类别概率值与所述第一阈值确定所述当前对象的功能变化评估结果，包括：
判断所述第一类别概率值是否大于所述第一阈值；
若所述第一类别概率值大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设有反应人群；
若所述第一类别概率值不大于所述第一阈值，则将所述当前对象的功能变化评估结果确定为所述当前对象属于第一预设无反应人群；
所述利用所述自适应分类阈值确定算法确定所述第二预设阶段的第二阈值，包括：
获取所述第二预设阶段的第二期望灵敏度和第二期望特异度；
利用自适应分类阈值确定算法对所述第二期望灵敏度和所述第二期望特异度进行处理，以得到所述第二预设阶段的第二阈值；
所述利用自适应分类阈值确定算法对所述第二期望灵敏度和所述第二期望特异度进行处理，以得到所述第二预设阶段的第二阈值，包括：
利用确定/>；其中，/>表示灵敏度，/>表示特异度，表示对分类问题中SE重视程度，将ROC曲线斜率为/>时对应的截断值确定为所述第二预设阶段的第二阈值；
所述基于所述第二类别概率值与所述第二阈值确定所述当前对象的形态变化评估结果，包括：
判断所述第二类别概率值是否大于所述第二阈值；
若所述第二类别概率值大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设有反应人群；
若所述第二类别概率值不大于所述第二阈值，则将所述当前对象的形态变化评估结果确定为所述当前对象属于第二预设无反应人群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310955986.7A CN116687353B (zh) | 2023-08-01 | 2023-08-01 | 新辅助化疗疗效评估系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310955986.7A CN116687353B (zh) | 2023-08-01 | 2023-08-01 | 新辅助化疗疗效评估系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116687353A CN116687353A (zh) | 2023-09-05 |
| CN116687353B true CN116687353B (zh) | 2023-12-19 |
Family
ID=87841788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310955986.7A Active CN116687353B (zh) | 2023-08-01 | 2023-08-01 | 新辅助化疗疗效评估系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116687353B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201419167A (zh) * | 2012-11-14 | 2014-05-16 | Far Eastern Memorial Hospital | 動態心臟影像分析與心功能評估系統 |
| CN104116523A (zh) * | 2013-04-25 | 2014-10-29 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声影像分析系统及其分析方法 |
| CN104490363A (zh) * | 2014-12-26 | 2015-04-08 | 宁波杜比医疗科技有限公司 | 一种乳腺癌诊断设备 |
| CN105678762A (zh) * | 2016-01-06 | 2016-06-15 | 四川大学 | 一种基于图像信息的缺血性脑卒中治疗监测系统 |
| RU2016103549A (ru) * | 2016-02-03 | 2017-08-08 | Государственное бюджетное образовательное учреждение высшего профессионального образования "Нижегородская государственная медицинская академия" Министерства Здравоохранения Российской Федерации (ГБОУ ВПО НижГМА Минздрава России) | Способ оценки динамики кровоснабжения злокачественной опухоли молочной железы в процессе неоадъювантной полихимиотерапии |
| CN109378068A (zh) * | 2018-08-21 | 2019-02-22 | 深圳大学 | 一种鼻咽癌疗效的自动评测方法及系统 |
| CN109717900A (zh) * | 2019-01-02 | 2019-05-07 | 飞依诺科技(苏州)有限公司 | 辅助诊疗方法、装置及存储介质 |
| CN110223285A (zh) * | 2019-06-13 | 2019-09-10 | 中南大学湘雅二医院 | 基于动物迁移和神经网络模型的影像结果预测方法及系统 |
| CN111528800A (zh) * | 2020-04-30 | 2020-08-14 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
| CN112071418A (zh) * | 2020-05-26 | 2020-12-11 | 南方医科大学南方医院 | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 |
| CN112262440A (zh) * | 2020-07-15 | 2021-01-22 | 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 |
| WO2021108043A1 (en) * | 2019-11-27 | 2021-06-03 | University Of Cincinnati | Assessing treatment response with estimated number of tumor cells |
| CN113180601A (zh) * | 2021-04-27 | 2021-07-30 | 浙江杜比医疗科技有限公司 | 一种动态光学乳腺成像的肿瘤特征分析装置及相关组件 |
| CN113378879A (zh) * | 2021-05-06 | 2021-09-10 | 上海美杰医疗科技有限公司 | 术后肿瘤评估方法、装置及计算机存储介质 |
| CN113764101A (zh) * | 2021-09-18 | 2021-12-07 | 新疆医科大学第三附属医院 | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 |
| CN114612388A (zh) * | 2022-02-18 | 2022-06-10 | 南方医科大学南方医院 | 乳腺癌新辅助化疗术后结果评估系统 |
| CN115067978A (zh) * | 2022-06-09 | 2022-09-20 | 北京积水潭医院 | 一种骨肉瘤疗效评估方法及系统 |
| CN115472258A (zh) * | 2022-04-24 | 2022-12-13 | 杭州电子科技大学 | 乳腺癌新辅助化疗后mri影像生成及疗效预测方法 |
| CN116473592A (zh) * | 2023-04-17 | 2023-07-25 | 华润武钢总医院 | 一种用超声定位显微镜评估乳腺癌新辅助化疗疗效的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2115697A2 (en) * | 2007-01-03 | 2009-11-11 | Koninklijke Philips Electronics N.V. | Computer assisted therapy monitoring |
-
2023
- 2023-08-01 CN CN202310955986.7A patent/CN116687353B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201419167A (zh) * | 2012-11-14 | 2014-05-16 | Far Eastern Memorial Hospital | 動態心臟影像分析與心功能評估系統 |
| CN104116523A (zh) * | 2013-04-25 | 2014-10-29 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声影像分析系统及其分析方法 |
| CN104490363A (zh) * | 2014-12-26 | 2015-04-08 | 宁波杜比医疗科技有限公司 | 一种乳腺癌诊断设备 |
| CN105678762A (zh) * | 2016-01-06 | 2016-06-15 | 四川大学 | 一种基于图像信息的缺血性脑卒中治疗监测系统 |
| RU2016103549A (ru) * | 2016-02-03 | 2017-08-08 | Государственное бюджетное образовательное учреждение высшего профессионального образования "Нижегородская государственная медицинская академия" Министерства Здравоохранения Российской Федерации (ГБОУ ВПО НижГМА Минздрава России) | Способ оценки динамики кровоснабжения злокачественной опухоли молочной железы в процессе неоадъювантной полихимиотерапии |
| CN109378068A (zh) * | 2018-08-21 | 2019-02-22 | 深圳大学 | 一种鼻咽癌疗效的自动评测方法及系统 |
| CN109717900A (zh) * | 2019-01-02 | 2019-05-07 | 飞依诺科技(苏州)有限公司 | 辅助诊疗方法、装置及存储介质 |
| CN110223285A (zh) * | 2019-06-13 | 2019-09-10 | 中南大学湘雅二医院 | 基于动物迁移和神经网络模型的影像结果预测方法及系统 |
| WO2021108043A1 (en) * | 2019-11-27 | 2021-06-03 | University Of Cincinnati | Assessing treatment response with estimated number of tumor cells |
| CN111528800A (zh) * | 2020-04-30 | 2020-08-14 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
| CN112071418A (zh) * | 2020-05-26 | 2020-12-11 | 南方医科大学南方医院 | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 |
| CN112262440A (zh) * | 2020-07-15 | 2021-01-22 | 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 |
| CN113180601A (zh) * | 2021-04-27 | 2021-07-30 | 浙江杜比医疗科技有限公司 | 一种动态光学乳腺成像的肿瘤特征分析装置及相关组件 |
| CN113378879A (zh) * | 2021-05-06 | 2021-09-10 | 上海美杰医疗科技有限公司 | 术后肿瘤评估方法、装置及计算机存储介质 |
| CN113764101A (zh) * | 2021-09-18 | 2021-12-07 | 新疆医科大学第三附属医院 | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 |
| CN114612388A (zh) * | 2022-02-18 | 2022-06-10 | 南方医科大学南方医院 | 乳腺癌新辅助化疗术后结果评估系统 |
| CN115472258A (zh) * | 2022-04-24 | 2022-12-13 | 杭州电子科技大学 | 乳腺癌新辅助化疗后mri影像生成及疗效预测方法 |
| CN115067978A (zh) * | 2022-06-09 | 2022-09-20 | 北京积水潭医院 | 一种骨肉瘤疗效评估方法及系统 |
| CN116473592A (zh) * | 2023-04-17 | 2023-07-25 | 华润武钢总医院 | 一种用超声定位显微镜评估乳腺癌新辅助化疗疗效的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 双模态超声在评估乳腺癌新辅助化疗疗效中的应用价值;耿怡;马富成;热西达・加帕尔;冷晓玲;;新疆医科大学学报(第03期);全文 * |
| 基于加权Youden指数的meta分析SROC新模型和加权Youden指数及对应最佳诊断界值置信区间的构建;段重阳;中国优秀硕士学位论文全文数据库（电子期刊）;E054-1 * |
| 磁共振成像对乳腺癌新辅助化疗的疗效评估价值;郝梦琳;刘艳;;医学综述(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116687353A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Allugunti | A machine learning model for skin disease classification using convolution neural network | |
| Xie et al. | Dynamic adaptive residual network for liver CT image segmentation | |
| US10575829B2 (en) | Menstrual state monitoring | |
| Yang et al. | Deep learning signature based on staging CT for preoperative prediction of sentinel lymph node metastasis in breast cancer | |
| CN113571203B (zh) | 多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统 | |
| CN112542247B (zh) | 乳腺癌新辅助化疗后病理学完全缓解概率预测方法及系统 | |
| CN110516759B (zh) | 一种基于机器学习的软组织肉瘤转移风险预测系统 | |
| CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
| Li et al. | Sslp: Spatial guided self-supervised learning on pathological images | |
| Chen et al. | Automatic whole slide pathology image diagnosis framework via unit stochastic selection and attention fusion | |
| Li et al. | Automated diagnosis and localization of melanoma from skin histopathology slides using deep learning: a multicenter study | |
| Ming et al. | Predicting hormone receptors and PAM50 subtypes of breast cancer from multi-scale lesion images of DCE-MRI with transfer learning technique | |
| Musulin et al. | Automated grading of oral squamous cell carcinoma into multiple classes using deep learning methods | |
| CN116687353B (zh) | 新辅助化疗疗效评估系统、设备及介质 | |
| JP2024509491A (ja) | 病理組織画像に基づいてがん患者の生存を直接的に予測するためのシステム及び方法 | |
| CN111528918B (zh) | 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质 | |
| Kate et al. | GAN, CNN and ELM Based Breast Cancer Detection | |
| CN116703880A (zh) | 一种免疫状态预测模型构建方法、预测方法及构建装置 | |
| CN107194918B (zh) | 数据分析方法及装置 | |
| Gai et al. | Diagnosis of hepatobiliary disease based on logistic regression model | |
| CN114445374A (zh) | 一种基于扩散峰度成像mk图的图像特征处理方法及系统 | |
| CN115100155A (zh) | 放射性肺炎预测模型的建立方法与系统 | |
| Chen et al. | Weakly supervised video-based cardiac detection for hypertensive cardiomyopathy | |
| Veeraiah et al. | Medical Internet of Things using Deep Learning Techniques for Skin Cancer Detection | |
| CN113744798B (zh) | 组织样本的分类方法、装置、设备和存储介质 |
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 |