CN116703880A - 一种免疫状态预测模型构建方法、预测方法及构建装置 - Google Patents
一种免疫状态预测模型构建方法、预测方法及构建装置 Download PDFInfo
- Publication number
- CN116703880A CN116703880A CN202310744112.7A CN202310744112A CN116703880A CN 116703880 A CN116703880 A CN 116703880A CN 202310744112 A CN202310744112 A CN 202310744112A CN 116703880 A CN116703880 A CN 116703880A
- Authority
- CN
- China
- Prior art keywords
- tumor
- immune
- image
- preset
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 305
- 210000002865 immune cell Anatomy 0.000 claims abstract description 122
- 230000002093 peripheral effect Effects 0.000 claims abstract description 86
- 210000004027 cell Anatomy 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000004393 prognosis Methods 0.000 claims abstract description 27
- 230000000875 corresponding effect Effects 0.000 claims description 57
- 230000015654 memory Effects 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 230000036039 immunity Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 7
- 230000000521 hyperimmunizing effect Effects 0.000 claims description 5
- 238000010837 poor prognosis Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000009169 immunotherapy Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 21
- 238000010200 validation analysis Methods 0.000 description 9
- 210000003719 b-lymphocyte Anatomy 0.000 description 4
- 210000002540 macrophage Anatomy 0.000 description 4
- 210000000822 natural killer cell Anatomy 0.000 description 4
- 238000000819 phase cycle Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010061819 Disease recurrence Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 230000001363 autoimmune Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013427 histology analysis Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 208000008443 pancreatic carcinoma Diseases 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域，公开了一种免疫状态预测模型构建方法、预测方法及构建装置，构建方法包括采集多个肿瘤患者的肿瘤部位的CT图像；获取每一个肿瘤患者的肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度；确定肿瘤内部区域以及肿瘤周边区域对应的每一种预设免疫细胞类型的免疫评分；基于免疫评分，确定每一个肿瘤患者的免疫状态；根据CT图像，提取肿瘤内部区域与肿瘤周边区域的影像组学特征；利用一批肿瘤患者的免疫状态以及影像组学特征作为训练数据，构建免疫状态预测模型。本发明可以无创地、更加全面地预测肿瘤患者的整体免疫状态，而且更加精准，能够为预后预测和个体化免疫治疗提供定量依据。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种免疫状态预测模型构建方法、预测方法及构建装置。
背景技术
肿瘤免疫微环境可以影响肿瘤的发生、发展及转移，并影响治疗反应和预后等因素，它在肿瘤的发生、发展和预后中起到关键作用。然而，目前对于肿瘤免疫微环境的评估主要依靠病理学方法，需要有创地获取肿瘤标本后才能进行，限制了其在制定治疗方案和预后评估等方面的临床应用。
肿瘤免疫微环境还可以通过影像组学的方式进行评估，影像组学通过从医学影像中提取高通量特征，能够全面客观地对肿瘤进行定量评价，有助于肿瘤免疫微环境的无创定量分析。但目前的相关研究主要是基于单一序列影像构建影像组学模型，以预测肿瘤免疫微环境中某种特定免疫细胞(如CD3+细胞或CD8+细胞)的密度。该预测方法，只能反应特定免疫细胞的密度，无法全面评估机体整体的免疫状态。
发明内容
有鉴于此，本发明提供了一种免疫状态预测模型构建方法、预测方法及构建装置，以解决无法全面评估机体整体的免疫状态的问题。
第一方面，本发明提供了一种免疫状态预测模型构建方法，包括：
采集多个肿瘤患者的肿瘤部位的CT图像；
获取每一个肿瘤患者的肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度；
根据每一种预设免疫细胞类型的细胞密度，确定肿瘤内部区域以及肿瘤周边区域对应的每一种预设免疫细胞类型的免疫评分；
基于免疫评分，确定每一个肿瘤患者的免疫状态；
根据CT图像，提取肿瘤内部区域与肿瘤周边区域的影像组学特征；
利用免疫状态以及影像组学特征，训练分类模型，从而建立免疫状态预测模型。
将确定出的免疫状态与影像组学特征作为分类模型的训练及验证数据，训练出的免疫状态预测模型，不仅可以无创地、更加全面地预测肿瘤患者的肿瘤免疫微环境的整体免疫状态，而且更加精准，能够为预后预测和个体化免疫治疗提供定量依据，可以帮助医生制定更准确、个体化的免疫治疗方案。
在一种可选的实施方式中，确定肿瘤内部区域以及肿瘤周边区域对应的每一种预设免疫细胞类型的免疫评分，包括：
确定肿瘤内部区域的每一种预设免疫细胞类型的细胞密度的第一中位数以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度的第二中位数；
在预设免疫细胞类型与预后良好相关的情况下，若肿瘤内部区域的预设免疫细胞类型的细胞密度高于对应的第一中位数，则确定肿瘤内部区域的预设免疫细胞类型的免疫评分为1；若肿瘤周边区域的预设免疫细胞类型的细胞密度高于对应的第二中位数，则确定肿瘤周边区域的预设免疫细胞类型的免疫评分为1；
在预设免疫细胞类型与预后不良相关的情况下，若肿瘤内部区域的预设免疫细胞类型的细胞密度低于对应的第一中位数，则确定肿瘤内部区域的预设免疫细胞类型的免疫评分为1；若肿瘤周边区域的预设免疫细胞类型的细胞密度低于对应的第二中位数，则确定肿瘤周边区域的预设免疫细胞类型的免疫评分为1。
在一种可选的实施方式中，在预设免疫细胞类型与预后良好相关的情况下，若肿瘤内部区域的预设免疫细胞类型的细胞密度低于对应的第一中位数，则确定肿瘤内部区域的预设免疫细胞类型的免疫评分为0；若肿瘤周边区域的预设免疫细胞类型的细胞密度低于对应的第二中位数，则确定肿瘤周边区域的预设免疫细胞类型的免疫评分为0；
在预设免疫细胞类型与预后不良相关的情况下，若肿瘤内部区域的预设免疫细胞类型的细胞密度高于对应的第一中位数，则确定肿瘤内部区域的预设免疫细胞类型的免疫评分为0；若肿瘤周边区域的预设免疫细胞类型的细胞密度高于对应的第二中位数，则确定肿瘤周边区域的预设免疫细胞类型的免疫评分为0。
在一种可选的实施方式中，基于免疫评分，确定每一个肿瘤患者的免疫状态，包括：
将肿瘤内部区域的每一种预设免疫细胞类型的免疫评分与肿瘤周边区域的每一种预设免疫细胞类型的免疫评分加和，确定肿瘤患者的总免疫评分；
当总免疫评分高于评分中位数时，确定对应的肿瘤患者的免疫状态为高免疫状态；
当总免疫评分低于评分中位数时，确定对应的肿瘤患者的免疫状态为低免疫状态。
利用评分的方式，可以直观的了解肿瘤患者的免疫水平，并且可以根据评分确定出肿瘤患者的当前免疫状态，能够为预后预测和个体化免疫治疗提供定量依据，可以帮助医生制定更准确、个体化的免疫治疗方案。
在一种可选的实施方式中，根据CT图像，提取肿瘤内部区域与肿瘤周边区域的影像组学特征，包括：
分割CT图像，确定肿瘤内部区域图像与肿瘤周边区域图像；
对肿瘤内部区域图像与肿瘤周边区域图像进行特征提取，确定第一影像组学特征，特征包括以下至少之一：一阶统计学特征、纹理特征、形态学特征以及经过滤波变换后的一阶统计学特征、纹理特征；
对第一影像组学特征进行归一化；
去除第一影像组学特征中特征值方差小于第一预设参数的特征，确定第二影像组学特征；
去除第二影像组学特征中相关系数绝对值小于第二预设参数的特征，确定第三影像组学特征，其中，相关系数为第二影像组学特征中的特征与免疫评分之间的Spearman相关系数；
将筛选后的第三影像组学特征作为影像组学特征。
对影像组学特征进行多次去除、筛选，最终确定出用于训练分类模型的影像组学特征，不仅可以提高模型的训练及预测效率，还可以提高模型预测的准确度，更全面地预测肿瘤患者的肿瘤免疫微环境的整体免疫状态。
在一种可选的实施方式中，利用免疫状态以及影像组学特征，训练分类模型，从而建立免疫状态预测模型，包括：
依据肿瘤患者，按照比例将肿瘤患者对应的免疫状态以及影像组学特征划分为训练集以及验证集；
将训练集中的影像组学特征和免疫状态，根据特征加权支持向量算法，确定影像组学特征中每一个特征的权重，建立免疫状态预测模型。
在建立最优免疫状态预测模型的同时，获得每个影像组学特征和免疫状态对于免疫状态预测的重要性，可以提高免疫状态预测模型的特征可解释性。
第二方面，本发明提供了一种肿瘤患者免疫状态预测方法，该预测方法包括：
获取待预测对象的CT图像；
分割出CT图像中的待预测肿瘤内部区域图像与待预测肿瘤周边区域图像；
确定待预测肿瘤内部区域图像与待预测肿瘤周边区域图像的待预测影像组学特征；
将待预测影像组学特征输入到上述权利要求1-6任意一项的免疫状态预测模型中，确定待预测对象的免疫状态。
第三方面，本发明提供了一种免疫状态预测模型构建装置，装置包括：
采集模块，用于采集多个肿瘤患者的肿瘤部位的CT图像；
获取模块，用于获取每一个肿瘤患者的肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度；
评分模块，用于根据每一种预设免疫细胞类型的细胞密度，确定肿瘤内部区域以及肿瘤周边区域对应的每一种预设免疫细胞类型的免疫评分；
确定模块，用于基于免疫评分，确定每一个肿瘤患者的免疫状态；
提取模块，用于根据CT图像，提取肿瘤内部区域与肿瘤周边区域的影像组学特征；
训练模块，用于利用免疫状态以及影像组学特征，训练分类模型，从而建立免疫状态预测模型。
第四方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的免疫状态预测模型构建方法。
第五方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的免疫状态预测模型构建方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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的附图。
图1是根据本发明实施例的一种免疫状态预测模型构建方法的流程示意图；
图2是根据本发明实施例的提取影像组学特征的流程示意图；
图3是根据本发明实施例的一种肿瘤患者免疫状态预测方法的流程示意图；
图4是根据本发明实施例的免疫状态预测模型构建装置的结构框图；
图5是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
单一序列影像构建影像组学模型，是指利用单一种类的影像技术获得的一组序列影像数据，通过建立机器学习模型来实现影像组学分析。这种方法常用于医学影像诊断和预测，可以辅助医生准确地判断疾病状态。在一些技术中，建立的影像组学模型只能预测特定的免疫细胞的密度，从而根据该细胞的密度来评价患者的免疫状态以及预后等。然而仅根据一种免疫细胞的密度，即评价患者的免疫状态以及预后等，其准确性不高。
鉴于此，根据本发明实施例，提供了一种免疫状态预测模型构建方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种免疫状态预测模型构建方法，可用于上述服务器、终端等设备，图1是根据本发明实施例的免疫状态预测模型构建方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，采集多个所述肿瘤患者的肿瘤部位的CT图像。
CT图像可以包括通过CT平扫和多期增强序列获得的图像。CT平扫可以采集人体内部的各种组织和器官的横断面图像。多期增强序列是采用影像增强剂在不同时间点连续扫描获得的序列图像，包括动脉期、静脉期和延迟期序列。采用CT平扫和多期增强序列结合的方式，可以提供更全面、准确地评估肿瘤性质和周围组织关系等的信息。
步骤S102，获取每一个肿瘤患者的肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度。
本实施例中，可以依靠病理学方法，分别获取每一个肿瘤患者的肿瘤内部区域以及肿瘤周边区域的肿瘤标本，分析肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度。其中，预设免疫细胞类型包括以下类型：CD3+细胞、CD8+细胞、B细胞、DC细胞、巨噬细胞和NK细胞。
步骤S103，根据所述每一种预设免疫细胞类型的细胞密度，确定所述肿瘤内部区域以及所述肿瘤周边区域对应的每一种所述预设免疫细胞类型的免疫评分。
本实施例中，可以根据评分规则以及检测后获取的每一种预设免疫细胞类型的细胞密度，分别对肿瘤内部区域的每一种预设免疫细胞类型、以及肿瘤周边区域的每一种预设免疫细胞类型进行免疫评分。以对肿瘤内部区域的每一种预设免疫细胞类型进行评分为例，在预设免疫细胞类型包括CD3+细胞、CD8+细胞、B细胞、DC细胞、巨噬细胞和NK细胞的情况下，根据CD3+细胞的细胞密度、CD8+细胞的细胞密度、B细胞的细胞密度、DC细胞的细胞密度、巨噬细胞的细胞密度和NK细胞的细胞密度，分别对对应的免疫细胞类型进行免疫评分。肿瘤周边区域同理。免疫评分的具体确定方法将在下文具体介绍。
步骤S104，基于所述免疫评分，确定每一个所述肿瘤患者的免疫状态。
在确定肿瘤内部区域以及肿瘤周边区域对应的每一种预设免疫细胞类型的免疫评分的情况下，基于每一种预设免疫细胞类型的免疫评分确定肿瘤患者的免疫状态。需要说明的是，一个肿瘤患者对应的其自身的肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的免疫评分，可以确定其自身的免疫状态。每一个肿瘤患者均对应有自身的免疫状态。免疫状态可以分为高免疫状态和低免疫状态。
步骤S105，根据所述CT图像，提取所述肿瘤内部区域与所述肿瘤周边区域的影像组学特征。
在采集了每一个肿瘤患者的肿瘤部位的CT图像后，可以分别提取CT图像中的每一张影像的肿瘤内部区域以及肿瘤周边区域的影像组学特征。该影像组学特征可以包括一阶统计学特征、纹理特征、形态学特征等。
步骤S106，利用所述免疫状态以及所述影像组学特征，训练分类模型，从而建立免疫状态预测模型。
本实施例中，可以将肿瘤患者按照比例，将肿瘤患者对应的免疫状态以及影像组学特征划分为训练集以及验证集。具体地，可以将训练集中的肿瘤患者对应的免疫状态，生成训练集免疫状态集合Ytrain；将验证集中的肿瘤患者对应的免疫状态，生成验证集免疫状态集合Yvalidation。将训练集中的肿瘤患者对应的影像组学特征，生成训练集影像组学特征集合将验证集中的肿瘤患者对应的影像组学特征，生成验证集影像组学特征集合利用训练集免疫状态集合Ytrain、训练集影像组学特征集合/>验证集免疫状态集合Yvalidation、验证集影像组学特征集合/>训练分类模型，从而将训练完成后的模型，确定为免疫状态预测模型。
本实施例中，根据多种预设免疫细胞类型的细胞密度，确定肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的免疫评分，进一步地，确定出了每一个肿瘤患者的免疫状态。该免疫状态结合了多种免疫细胞类型，能够全面的反应肿瘤患者的肿瘤免疫微环境。且本实施例中，采用了CT平扫和多期增强序列作为CT图像，提取的影像组学特征能够全面的反应肿瘤部位的大小、形状、边缘等特征，还可以在不同的时间点对肿瘤部位进行成像，从而建立肿瘤的血供动态和恶性程度等密度特征；还可以反应肿瘤部位的纹理特征，以及组织的异质性。因此，将本实施例中确定出的免疫状态与影像组学特征作为分类模型的训练及验证数据，训练出的免疫状态预测模型，不仅可以无创地、更加全面地预测肿瘤患者的肿瘤免疫微环境的整体免疫状态，而且更加精准，能够为预后预测和个体化免疫治疗提供定量依据，可以帮助医生制定更准确、个体化的免疫治疗方案。
在一些可选的实施方式中，所述确定所述肿瘤内部区域以及所述肿瘤周边区域对应的每一种所述预设免疫细胞类型的免疫评分，包括：
确定所述肿瘤内部区域的每一种所述预设免疫细胞类型的细胞密度的第一中位数以及所述肿瘤周边区域的每一种所述预设免疫细胞类型的细胞密度的第二中位数。
以肿瘤内部区域的CD3+细胞为例，在确定出所有肿瘤患者的CD3+细胞的细胞密度后，将所有CD3+细胞的细胞密度按大小依次排列，确定出CD3+细胞的第一中位数。同理，可以分别确定出肿瘤内部区域的每一种预设免疫细胞类型的细胞密度的第一中位数以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度的第二中位数。
在所述预设免疫细胞类型与预后良好相关的情况下，若所述肿瘤内部区域的所述预设免疫细胞类型的细胞密度高于对应的所述第一中位数，则确定所述肿瘤内部区域的所述预设免疫细胞类型的免疫评分为1；若所述肿瘤周边区域的所述预设免疫细胞类型的细胞密度高于对应的所述第二中位数，则确定所述肿瘤周边区域的所述预设免疫细胞类型的免疫评分为1；
在所述预设免疫细胞类型与预后不良相关的情况下，若所述肿瘤内部区域的所述预设免疫细胞类型的细胞密度低于对应的所述第一中位数，则确定所述肿瘤内部区域的所述预设免疫细胞类型的免疫评分为1；若所述肿瘤周边区域的所述预设免疫细胞类型的细胞密度低于对应的所述第二中位数，则确定所述肿瘤周边区域的所述预设免疫细胞类型的免疫评分为1。
在一些可选的实施方式中，在所述预设免疫细胞类型与预后良好相关的情况下，若所述肿瘤内部区域的所述预设免疫细胞类型的细胞密度低于对应的所述第一中位数，则确定所述肿瘤内部区域的所述预设免疫细胞类型的免疫评分为0；若所述肿瘤周边区域的所述预设免疫细胞类型的细胞密度低于对应的所述第二中位数，则确定所述肿瘤周边区域的所述预设免疫细胞类型的免疫评分为0；
在所述预设免疫细胞类型与预后不良相关的情况下，若所述肿瘤内部区域的所述预设免疫细胞类型的细胞密度高于对应的所述第一中位数，则确定所述肿瘤内部区域的所述预设免疫细胞类型的免疫评分为0；若所述肿瘤周边区域的所述预设免疫细胞类型的细胞密度高于对应的所述第二中位数，则确定所述肿瘤周边区域的所述预设免疫细胞类型的免疫评分为0。
肿瘤的预后是指在特定治疗方式下，肿瘤患者存活和疾病复发的可能性。肿瘤预后通常由多种因素决定，包括肿瘤大小和位置、分级、患者年龄、身体状况和遗传因素等。有些肿瘤类型预后良好，例如良性肿瘤，患者经过手术治疗后通常可以完全恢复。而某些恶性肿瘤(如晚期肺癌、胰腺癌等)预后不良，即使接受治疗，患者也可能不久后死亡。
而免疫细胞类型与预后紧密相关，有些免疫细胞是有益于患者是生存的，则与预后良好相关，反之，则与预后不良相关。可以根据上述确定方法，确定出肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的免疫评分。
可以将训练集中的肿瘤患者对应的免疫评分生成训练集免疫评分集合，按照免疫评分方法，可以得到所有训练数据的训练集免疫评分集合和所有验证数据的验证集免疫评分集合/>进而再根据免疫评分集合，确定出免疫状态集合，进而用于训练分类模型，以提高免疫状态预测模型预测肿瘤患者的肿瘤免疫微环境的整体免疫状态，提高预测的准确性。
在一些可选的实施方式中，所述基于所述免疫评分，确定每一个所述肿瘤患者的免疫状态，包括：
将所述肿瘤内部区域的每一种所述预设免疫细胞类型的免疫评分与所述肿瘤周边区域的每一种所述预设免疫细胞类型的免疫评分加和，确定所述肿瘤患者的总免疫评分；
当所述总免疫评分高于评分中位数时，确定对应的所述肿瘤患者的免疫状态为高免疫状态；
当所述总免疫评分低于所述评分中位数时，确定对应的所述肿瘤患者的免疫状态为低免疫状态。
其中，在预设免疫细胞类型包括CD3+细胞、CD8+细胞、B细胞、DC细胞、巨噬细胞和NK细胞的情况下，肿瘤患者的总免疫评分为0-12分，其中，肿瘤内部区域以及肿瘤周边区域的总免疫评分各为6分。因此，本实施例中的评分中位数可以设置为7分。当肿瘤患者的总免疫评分高于7分时，确定对应的肿瘤患者的免疫状态为高免疫状态，反之则为低免疫状态。
本实施例中，利用评分的方式，可以直观的了解肿瘤患者的免疫水平，并且可以根据评分确定出肿瘤患者的当前免疫状态，能够为预后预测和个体化免疫治疗提供定量依据，可以帮助医生制定更准确、个体化的免疫治疗方案。
如图2所示，在一些可选的实施方式中，所述根据所述CT图像，提取所述肿瘤内部区域与所述肿瘤周边区域的影像组学特征，包括：
步骤S1051，分割所述CT图像，确定肿瘤内部区域图像与肿瘤周边区域图像。
本实施例中，可以选择CT平扫、动脉期、静脉期和延迟期序列中，肿瘤边缘显示最清晰的序列，对肿瘤边缘进行勾画，肿瘤边缘的内部作为肿瘤内部区域图像。测量肿瘤横截面最大径，记为dmax。分别将肿瘤向内腐蚀0.1*dmax和向外膨胀0.1*dmax，将腐蚀后的肿瘤边缘与膨胀后的肿瘤边缘之间的区域作为肿瘤周边区域图像。使用仿射变换将已经分割出肿瘤内部区域图像和肿瘤周边区域图像的序列与其他未进行分割的序列进行配准，得到其他序列影像上的肿瘤内部区域图像与肿瘤周边区域图像。
步骤S1052，对所述肿瘤内部区域图像与所述肿瘤周边区域图像进行特征提取，确定第一影像组学特征，所述特征包括以下至少之一：一阶统计学特征、纹理特征、形态学特征以及经过滤波变换后的所述一阶统计学特征、所述纹理特征。
本实施例中，可以对分割后的CT平扫、动脉期、静脉期和延迟期序列影像的肿瘤内部区域图像与肿瘤周边区域图像分别提取第一影像组学特征。第一影像组学特征可以包括一阶统计学特征、纹理特征，以及经滤波变换后所得图像的一阶统计学特征和纹理特征。使用的滤波变换包括高斯拉普拉斯变换，小波变换和对数变换。还可以对肿瘤边缘显示最清晰的序列影像的肿瘤内部区域提取形态学特征。
可以将所提取的第一影像组学特征组成第一影像组学特征向量集合。则所有训练数据的训练集影像组学特征向量集合为其中/>表示第n个训练数据的训练集影像组学特征向量；所有验证数据的验证集影像组学特征向量集合为其中/>表示第m个验证数据的验证集影像组学特征向量。
步骤S1053，对所述第一影像组学特征进行归一化；去除所述第一影像组学特征中特征值方差小于第一预设参数的特征，确定第二影像组学特征。
第一预设参数可以为0.1，即可以将第一影像组学特征中特征值方差小于0.1的特征删除，得到经过特征筛选后的第二影像组学特征。则可以将所有第二影像组学特征组成第二影像组学特征向量集合，则所有训练数据的第二训练集影像组学特征向量集合为所有验证数据的第二验证集影像组学特征向量集合为/>
步骤S1054，去除所述第二影像组学特征中相关系数绝对值小于第二预设参数的特征，确定第三影像组学特征，其中，所述相关系数为所述第二影像组学特征中的特征与所述免疫评分之间的Spearman相关系数；
步骤S1055，将筛选后的所述第三影像组学特征作为所述影像组学特征。
其中，Spearman相关系数是一种非参数统计量，它是由Charles Spearman提出的，在秩次统计学中被广泛应用，用于评估两个变量之间的单调关系(即一个变量随着另一个变量的增加或减少而增加或减少，但不一定是线性关系)。Spearman相关系数的范围在-1到+1之间。系数为1时，两个变量之间存在完全单调正相关关系；系数为-1时，两个变量之间存在完全单调负相关关系；系数为0时，两个变量之间不存在单调关系。
可以先计算第二训练集影像组学特征向量集合中的影像组学特征与训练集免疫评分集合Strain中的免疫评分的Spearman相关系数。第二预设参数可以为0.6，即可以将第二训练集影像组学特征向量集合/>中Spearman相关系数绝对值小于0.6的影像组学特征进行删除，得到与免疫评分强相关的第三训练集影像组学特征向量集合/>进一步地，可以根据/>中的影像组学特征直接对验证集影像组学特征向量集合Xvalidation进行特征筛选，从而得到筛选后的第三验证集影像组学特征向量集合/>也可以对第二验证集影像组学特征向量集合/>进行特征筛选，从而得到筛选后的第三验证集影像组学特征向量集合/>
将筛选后的第三训练集影像组学特征向量集合第三验证集免疫状态集合作为所述影像组学特征。第三训练集影像组学特征向量集合/>与上文介绍的训练集影像组学特征集合/>以及第三验证集免疫状态集合/>与上文介绍的验证集影像组学特征集合/>均为同一含义。
本实施例中，对影像组学特征进行多次去除、筛选，最终确定出用于训练分类模型的影像组学特征，不仅可以提高模型的训练及预测效率，还可以提高模型预测的准确度，更全面的预测肿瘤患者的肿瘤免疫微环境的整体免疫状态。
在一些可选的实施方式中，所述利用所述免疫状态以及所述影像组学特征，训练分类模型，从而建立免疫状态预测模型，包括：
依据所述肿瘤患者，按照比例将所述肿瘤患者对应的所述免疫状态以及所述影像组学特征划分为训练集以及验证集；
将所述训练集中的所述影像组学特征和所述免疫状态，根据特征加权支持向量机算法，确定所述影像组学特征中每一个特征的权重，建立所述免疫状态预测模型。
具体地，本实施例中，可以使用特征加权支持向量机算法同时对特征权重与分类模型参数进行优化，从而进一步优化免疫状态预测模型。
假设第三训练集影像组学特征向量集合的特征维度为D，则特征加权支持向量机对应的凸规划问题为：
其中，v表示特征加权向量，vd表示第d维特征的权重，pd为第d维特征参数，ζn为第n个松弛变量，xn表示第n个训练数据的全部影像组学特征，yn表示第n个训练数据的免疫状态，yj表示第j个训练数据的免疫状态，xnd表示第n个训练数据的第d个影像组学特征，xjd表示第j个训练数据的第d个影像组学特征，T表示向量转置，N表示训练数据总量，d、j、n为训练数据的索引，b为偏置项。
其中，
C为惩罚参数，其取值需由用户指定。可以从{2-2,2-1,20,21,22,23,24,25,26,27,28}中选择在验证数据和Yvalidation上ROC曲线下面积最高的值，作为惩罚参数C的值。
本实施例中，使用凸优化工具包CVX求解上述凸规划问题，在建立最优免疫状态预测模型的同时，获得每个影像组学特征和免疫状态对于免疫状态预测的重要性，可以提高免疫状态预测模型的特征可解释性。
在本实施例中提供了一种肿瘤患者免疫状态预测方法，可用于服务器、移动终端，如手机、平板电脑等，图3是根据本发明实施例的肿瘤患者免疫状态预测方法的流程图，如图3所示，该流程包括如下步骤：
步骤S201，获取待预测对象的CT图像。
步骤S202，分割出所述CT图像中的待预测肿瘤内部区域图像与待预测肿瘤周边区域图像。
步骤S203，确定所述待预测肿瘤内部区域图像与所述待预测肿瘤周边区域图像的待预测影像组学特征。
步骤S204，将所述待预测影像组学特征输入到上述任意实施方式中的免疫状态预测模型中，确定所述待预测对象的免疫状态。免疫状态预测模型详细请参见上述实施方式，在此不再赘述。
本实施例中，在对患者进行预后预测时，仅需要获取患者的CT图像即可。通过CT图像进而确定出待预测肿瘤内部区域图像与待预测肿瘤周边区域图像的待预测影像组学特征，并利用免疫状态预测模型即可确定患者的免疫状态。不仅可以无创地、更加全面地预测肿瘤患者的肿瘤免疫微环境的整体免疫状态，而且更加精准，能够为预后预测和个体化免疫治疗提供定量依据，可以帮助医生制定更准确、个体化的免疫治疗方案。
在本实施例中还提供了一种免疫状态预测模型构建装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种免疫状态预测模型构建装置，如图4所示，包括：
采集模块301，用于采集多个肿瘤患者的肿瘤部位的CT图像；
获取模块302，用于获取每一个肿瘤患者的肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度；
评分模块303，用于根据所述每一种预设免疫细胞类型的细胞密度，确定所述肿瘤内部区域以及所述肿瘤周边区域对应的每一种所述预设免疫细胞类型的免疫评分；
确定模块304，用于基于所述免疫评分，确定每一个所述肿瘤患者的免疫状态；
提取模块305，用于根据所述CT图像，提取所述肿瘤内部区域与所述肿瘤周边区域的影像组学特征；
训练模块306，用于利用所述免疫状态以及所述影像组学特征，训练分类模型，从而建立免疫状态预测模型。
本实施例中，根据多种预设免疫细胞类型的细胞密度，确定肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的免疫评分，进一步地，确定出了每一个肿瘤患者的免疫状态。该免疫状态结合了多种免疫细胞类型，能够全面的反应肿瘤患者的肿瘤免疫微环境。且本实施例中，采用了CT平扫和多期增强序列作为CT图像，提取的影像组学特征能够全面的反应肿瘤部位的大小、形状、边缘等特征，还可以在不同的时间点对肿瘤部位进行成像，从而建立肿瘤的血供和恶性程度等特征；还可以反应肿瘤部位的纹理特征，以及组织的异质性。因此，将本实施例中确定出的免疫状态与影像组学特征作为分类模型的训练及验证数据，训练出的免疫状态预测模型，不仅可以无创地、更加全面地预测肿瘤患者的肿瘤免疫微环境的整体免疫状态，而且更加精准，能够为预后预测和个体化免疫治疗提供定量依据，可以帮助医生制定更准确、个体化的免疫治疗方案。
本实施例中的免疫状态预测模型构建装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供一种计算机设备，具有上述图4所示的免疫状态预测模型构建装置。
请参阅图5，图5是本发明可选实施例提供的一种计算机设备的结构示意图，如图5所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种免疫状态预测模型构建方法，其特征在于，所述方法包括：
采集多个肿瘤患者的肿瘤部位的CT图像；
获取每一个所述肿瘤患者的肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度；
根据所述每一种预设免疫细胞类型的细胞密度，确定所述肿瘤内部区域以及所述肿瘤周边区域对应的每一种所述预设免疫细胞类型的免疫评分；
基于所述免疫评分，确定每一个所述肿瘤患者的免疫状态；
根据所述CT图像，提取所述肿瘤内部区域与所述肿瘤周边区域的影像组学特征；
利用所述免疫状态以及所述影像组学特征，训练分类模型，从而建立免疫状态预测模型。
2.根据权利要求1所述的方法，其特征在于，所述确定所述肿瘤内部区域以及所述肿瘤周边区域对应的每一种所述预设免疫细胞类型的免疫评分，包括：
确定所述肿瘤内部区域的每一种所述预设免疫细胞类型的细胞密度的第一中位数以及所述肿瘤周边区域的每一种所述预设免疫细胞类型的细胞密度的第二中位数；
在所述预设免疫细胞类型与预后良好相关的情况下，若所述肿瘤内部区域的所述预设免疫细胞类型的细胞密度高于对应的所述第一中位数，则确定所述肿瘤内部区域的所述预设免疫细胞类型的免疫评分为1；若所述肿瘤周边区域的所述预设免疫细胞类型的细胞密度高于对应的所述第二中位数，则确定所述肿瘤周边区域的所述预设免疫细胞类型的免疫评分为1；
在所述预设免疫细胞类型与预后不良相关的情况下，若所述肿瘤内部区域的所述预设免疫细胞类型的细胞密度低于对应的所述第一中位数，则确定所述肿瘤内部区域的所述预设免疫细胞类型的免疫评分为1；若所述肿瘤周边区域的所述预设免疫细胞类型的细胞密度低于对应的所述第二中位数，则确定所述肿瘤周边区域的所述预设免疫细胞类型的免疫评分为1。
3.根据权利要求2所述的方法，其特征在于，在所述预设免疫细胞类型与预后良好相关的情况下，若所述肿瘤内部区域的所述预设免疫细胞类型的细胞密度低于对应的所述第一中位数，则确定所述肿瘤内部区域的所述预设免疫细胞类型的免疫评分为0；若所述肿瘤周边区域的所述预设免疫细胞类型的细胞密度低于对应的所述第二中位数，则确定所述肿瘤周边区域的所述预设免疫细胞类型的免疫评分为0；
在所述预设免疫细胞类型与预后不良相关的情况下，若所述肿瘤内部区域的所述预设免疫细胞类型的细胞密度高于对应的所述第一中位数，则确定所述肿瘤内部区域的所述预设免疫细胞类型的免疫评分为0；若所述肿瘤周边区域的所述预设免疫细胞类型的细胞密度高于对应的所述第二中位数，则确定所述肿瘤周边区域的所述预设免疫细胞类型的免疫评分为0。
4.根据权利要求1所述的方法，其特征在于，所述基于所述免疫评分，确定每一个所述肿瘤患者的免疫状态，包括：
将所述肿瘤内部区域的每一种所述预设免疫细胞类型的免疫评分与所述肿瘤周边区域的每一种所述预设免疫细胞类型的免疫评分加和，确定所述肿瘤患者的总免疫评分；
当所述总免疫评分高于评分中位数时，确定对应的所述肿瘤患者的免疫状态为高免疫状态；
当所述总免疫评分低于所述评分中位数时，确定对应的所述肿瘤患者的免疫状态为低免疫状态。
5.根据权利要求1所述的方法，其特征在于，所述根据所述CT图像，提取所述肿瘤内部区域与所述肿瘤周边区域的影像组学特征，包括：
分割所述CT图像，确定肿瘤内部区域图像与肿瘤周边区域图像；
对所述肿瘤内部区域图像与所述肿瘤周边区域图像进行特征提取，确定第一影像组学特征，所述特征包括以下至少之一：一阶统计学特征、纹理特征、形态学特征以及经过滤波变换后的所述一阶统计学特征、所述纹理特征；
对所述第一影像组学特征进行归一化；
去除所述第一影像组学特征中特征值方差小于第一预设参数的特征，确定第二影像组学特征；
去除所述第二影像组学特征中相关系数绝对值小于第二预设参数的特征，确定第三影像组学特征，其中，所述相关系数为所述第二影像组学特征中的特征与所述免疫评分之间的Spearman相关系数；
将筛选后的所述第三影像组学特征作为所述影像组学特征。
6.根据权利要求1所述的方法，其特征在于，所述利用所述免疫状态以及所述影像组学特征，训练分类模型，从而建立免疫状态预测模型，包括：
依据所述肿瘤患者，按照比例将所述肿瘤患者对应的所述免疫状态以及所述影像组学特征划分为训练集以及验证集；
将所述训练集中的所述影像组学特征和所述免疫状态，根据特征加权支持向量机算法，确定所述影像组学特征中每一个特征的权重，建立所述免疫状态预测模型。
7.一种肿瘤患者免疫状态预测方法，其特征在于，所述方法包括：
获取待预测对象的CT图像；
分割出所述CT图像中的待预测肿瘤内部区域图像与待预测肿瘤周边区域图像；
确定所述待预测肿瘤内部区域图像与所述待预测肿瘤周边区域图像的待预测影像组学特征；
将所述待预测影像组学特征输入到上述权利要求1-6任意一项所述的免疫状态预测模型中，确定所述待预测对象的免疫状态。
8.一种免疫状态预测模型构建装置，其特征在于，所述装置包括：
采集模块，用于采集多个肿瘤患者的肿瘤部位的CT图像；
获取模块，用于获取每一个所述肿瘤患者的肿瘤内部区域以及肿瘤周边区域的每一种预设免疫细胞类型的细胞密度；
评分模块，用于根据所述每一种预设免疫细胞类型的细胞密度，确定所述肿瘤内部区域以及所述肿瘤周边区域对应的每一种所述预设免疫细胞类型的免疫评分；
确定模块，用于基于所述免疫评分，确定每一个所述肿瘤患者的免疫状态；
提取模块，用于根据所述CT图像，提取所述肿瘤内部区域与所述肿瘤周边区域的影像组学特征；
训练模块，用于利用所述免疫状态以及所述影像组学特征，训练分类模型，从而建立免疫状态预测模型。
9.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-6任一项所述的免疫状态预测模型构建方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-6任一项所述的免疫状态预测模型构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310744112.7A CN116703880A (zh) | 2023-06-21 | 2023-06-21 | 一种免疫状态预测模型构建方法、预测方法及构建装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310744112.7A CN116703880A (zh) | 2023-06-21 | 2023-06-21 | 一种免疫状态预测模型构建方法、预测方法及构建装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116703880A true CN116703880A (zh) | 2023-09-05 |
Family
ID=87843087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310744112.7A Pending CN116703880A (zh) | 2023-06-21 | 2023-06-21 | 一种免疫状态预测模型构建方法、预测方法及构建装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703880A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117353094A (zh) * | 2023-12-06 | 2024-01-05 | 海南嘉景石油工程科技有限公司 | 一种井下电视实时成像监测电缆对接工具 |
-
2023
- 2023-06-21 CN CN202310744112.7A patent/CN116703880A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117353094A (zh) * | 2023-12-06 | 2024-01-05 | 海南嘉景石油工程科技有限公司 | 一种井下电视实时成像监测电缆对接工具 |
| CN117353094B (zh) * | 2023-12-06 | 2024-02-02 | 海南嘉景石油工程科技有限公司 | 一种井下电视实时成像监测电缆对接工具 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106815481B (zh) | 一种基于影像组学的生存期预测方法及装置 | |
| US10049450B2 (en) | High-throughput adaptive sampling for whole-slide histopathology image analysis | |
| US9510756B2 (en) | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images | |
| CN109558896B (zh) | 基于超声组学和深度学习的疾病智能化分析方法及系统 | |
| WO2020103683A1 (zh) | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统 | |
| Reshma et al. | Detection of breast cancer using histopathological image classification dataset with deep learning techniques | |
| CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
| CN104143101A (zh) | 一种基于超声图像的乳腺肿瘤区域自动识别方法 | |
| Zhang et al. | A review of breast tissue classification in mammograms | |
| WO2023020366A1 (zh) | 一种医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
| Wankhade et al. | A novel hybrid deep learning method for early detection of lung cancer using neural networks | |
| 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 | |
| US20230056839A1 (en) | Cancer prognosis | |
| CN112561869A (zh) | 一种胰腺神经内分泌肿瘤术后复发风险预测方法 | |
| CN110916666A (zh) | 一种基于多模态mri图像预测手术切除肝细胞癌复发的影像组学特征处理方法 | |
| CN114549463A (zh) | 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质 | |
| Kundale et al. | Classification of breast cancer using histology images: handcrafted and pre-trained features based approach | |
| CN113764101A (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
| CN110992312A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN116129184A (zh) | 多期相病灶分类方法、装置、设备及可读存储介质 | |
| CN112329876A (zh) | 一种基于影像组学的结直肠癌预后预测方法及设备 | |
| CN112086174A (zh) | 一种三维知识诊断模型构建方法和系统 | |
| CN116798611B (zh) | 肝硬化结节的良恶性质预测装置、方法、设备及介质 | |
| Ravi et al. | MDNN: Predictive Modeling of Breast Cancer Subtypes Using Modified Deep Neural Networks | |
| Ramkumar | Identification and Classification of Breast Cancer using Multilayer Perceptron Techniques for Histopathological Image |
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 |