CN116913479A - 一种确定实施pmrt的三阴性乳腺癌患者的方法及装置 - Google Patents
一种确定实施pmrt的三阴性乳腺癌患者的方法及装置 Download PDFInfo
- Publication number
- CN116913479A CN116913479A CN202311176241.7A CN202311176241A CN116913479A CN 116913479 A CN116913479 A CN 116913479A CN 202311176241 A CN202311176241 A CN 202311176241A CN 116913479 A CN116913479 A CN 116913479A
- Authority
- CN
- China
- Prior art keywords
- breast cancer
- negative breast
- preset
- determining
- medical image
- 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.)
- Granted
Links
- 208000003721 Triple Negative Breast Neoplasms Diseases 0.000 title claims abstract description 75
- 208000022679 triple-negative breast carcinoma Diseases 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000001575 pathological effect Effects 0.000 claims abstract description 11
- 238000010186 staining Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 49
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 210000003855 cell nucleus Anatomy 0.000 claims description 6
- 238000013517 stratification Methods 0.000 claims description 3
- 238000001959 radiotherapy Methods 0.000 abstract description 9
- 238000004393 prognosis Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 18
- 238000003066 decision tree Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 8
- 230000004083 survival effect Effects 0.000 description 8
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 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
- 238000004043 dyeing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000011226 adjuvant chemotherapy Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003447 ipsilateral effect Effects 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000004940 nucleus Anatomy 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010061819 Disease recurrence Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000001099 axilla Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography 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
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种确定实施PMRT的三阴性乳腺癌患者的方法及装置，属于三阴性乳腺癌切除术后预后的技术领域，本方法先获取所述三阴性乳腺癌患者的医学图像，所述医学图像具体为病理H&E染色全切片图像；然后将所述医学图像进行预处理后输入到预先训练好的预设分层模型中；接着通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级；最后基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT，能够准确地确定出哪些患者需要实施PMRT，有效指导了放疗决策。
Description
技术领域
本发明属于三阴性乳腺癌切除术后预后的技术领域，具体涉及一种确定实施PMRT的三阴性乳腺癌患者的方法及装置。
背景技术
三阴性乳腺癌是一种异质性疾病，占所有乳腺癌病例的15%-20%，三阴性乳腺癌发病年龄早、肿瘤体积较大、复发率高、生物学侵袭性强以及预后较差，通常使用PMRT（Post-mastectomy radiotherapy，乳房切除术后放射治疗）来预防肿瘤复发，但目前在三阴性乳腺癌患者中实施乳房切除术后放射治疗的优点存在争议，也即并非所有三阴性乳腺癌患者都能够从乳房切除术后放射治疗中得到受益。
因此，如何准确确定出能够受益于乳房切除术后放射治疗的三阴性乳腺癌患者，是本领域技术人员有待解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中无法准确确定能够受益于乳房切除术后放射治疗的三阴性乳腺癌患者的技术问题。
为实现上述技术目的，一方面，本发明提供了一种确定实施PMRT的三阴性乳腺癌患者的方法，该方法包括：
获取所述三阴性乳腺癌患者的医学图像，所述医学图像具体为病理H&E染色全切片图像；
将所述医学图像进行预处理后输入到预先训练好的预设分层模型中；
通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级；
基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT。
进一步地，所述预处理具体包括：
将所述医学图像划分为多个预设尺寸的瓦片；
确定每个瓦片中像素之间的梯度，并基于该梯度确定对应瓦片的能量值；
按照所述能量值由大到小的顺序将所有瓦片进行排序；
将预设排名内的瓦片中包含肿瘤的瓦片进行合并，且进行细胞核分割后即为预处理后的医学图像。
进一步地，具体通过如下公式确定对应瓦片的能量值：
式中，x、y分别表示像素点I在x轴和y轴两个方向上的坐标，为偏导数符号，/>、/>分别表示像素点I在x轴和y轴两个方向上的梯度。
进一步地，通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级具体为：
基于所述预设分层模型和预设核特征确定出所述医学图像对应的风险特征；
根据所述风险特征和属性信息确定出当前风险值；
根据所述当前风险值和截断值确定风险等级。
进一步地，所述预设分层模型的训练过程如下：
获取训练数据集；
将所述训练数据集进行预处理后输入到所述预设分层模型中；
基于所述预设分层模型和预设核特征为所述训练数据集中每一张训练医学图像生成风险特征；
根据所述风险特征和对应训练医学图像的训练患者属性信息确定出训练数据集中每一个训练患者的风险值，并组成风险值集；
基于约登指数确定出所述风险值集中的截断值；
将所述截断值输入到预设分层模型中以完成训练。
进一步地，所述属性信息具体包括年龄和TNM分期信息。
另一方面，本发明还提供了一种确定实施PMRT的三阴性乳腺癌患者的装置，所述装置包括：
获取模块，用于获取所述三阴性乳腺癌患者的医学图像，所述医学图像具体为病理H&E染色全切片图像；
预处理模块，用于将所述医学图像进行预处理后输入到预先训练好的预设分层模型中；
评级模块，用于通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级；
确定模块，用于基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT。
本发明提供的一种确定实施PMRT的三阴性乳腺癌患者的方法及装置，与现有技术相比，本方法先获取所述三阴性乳腺癌患者的医学图像；然后将所述医学图像进行预处理后输入到预先训练好的预设分层模型中；接着通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级；最后基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT，能够准确地确定出哪些患者需要实施PMRT，有效指导了放疗决策。
附图说明
为了更清楚地说明本说明书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说明书记载的一些实施例，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，还可以根据这些附图获得其他的附图。
图1所示为本说明书实施例提供的确定实施PMRT的三阴性乳腺癌患者的方法的流程示意图；
图2所示为本说明书实施例提供的确定实施PMRT的三阴性乳腺癌患者的装置的结构示意图；
图3所示为本说明书实施例提供的确定实施PMRT的三阴性乳腺癌患者的服务器的硬件结构框图。
具体实施方式
为了使本领域普通技术人员更好地理解本说明书中的技术方案，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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。
如图1所示为本说明实施例提供的确定实施PMRT的三阴性乳腺癌患者的方法的流程示意图，虽然本说明提供了如下实施例或附图中所示的方法操作步骤或装置结构，但基于常规或无需创造性劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元，在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行（例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境）。
本说明实施例中提供的确定实施PMRT的三阴性乳腺癌患者的方法可以应用在客户端和服务器等终端设备中，如图1所示，所述方法具体包括如下步骤：
步骤S101、获取所述三阴性乳腺癌患者的医学图像，所述医学图像具体为病理H&E染色全切片图像。
具体的，病理H&E染色全切片图像和其他类型（X射线-MR-超声等）的图像的主要区别是它不是通过仪器扫描得到，而是首先使用穿刺提取出患者体内肿瘤部分的组织，然后使用染色剂将细胞核和细胞质及结缔组织染上不同的颜色进行观察的一种方式，它的特点是这类图像方便更加清晰的观察辨别各类不同组织，这也是后续步骤中分割细胞核提取特征的基础。
步骤S102、将所述医学图像进行预处理后输入到预先训练好的预设分层模型中。
具体的，机器学习是人工智能的一个子集，它可以从大量的历史数据中学习逻辑模式，从而预测患者的生存状况，目前，机器学习已被广泛用于改善预后，且基于当前收集的数据证明，基于机器学习的准确性显著高于经验预测的准确性，本申请是通过机器学习从医学图像中提取特征，作为三阴性乳腺癌患者5年内无创无病生存和5年内局部无复发生存的重要预测因子，同时，预设分层模型是根据训练数据集和病理参数构建的一个风险分层模型，用以预测出患者是否于PMRT受益。
其中，所述预处理具体包括：
将所述医学图像划分为多个预设尺寸的瓦片；
确定每个瓦片中像素之间的梯度，并基于该梯度确定对应瓦片的能量值；
按照所述能量值由大到小的顺序将所有瓦片进行排序；
从预设排名内的瓦片中包含肿瘤的瓦片进行合并，且进行细胞核分割后即为预处理后的医学图像，也即从预设排名前200的瓦片中，病理学家根据肿瘤细胞的密度和染色质量，选择80-100个包含肿瘤的瓦片，且进行细胞核分割后即为预处理后的医学图像。
在本申请实施例中，具体通过如下公式确定对应瓦片的能量值：
式中，x、y分别表示像素点I在x轴和y轴两个方向上的坐标，为偏导数符号，/>、/>分别表示像素点I在x轴和y轴两个方向上的梯度。
在具体应用过程中，预处理过程可以是将原始的医学图像进行分割得到多个预设尺寸的瓦片，通过卷积得到瓦片的梯度和能量值，将瓦片按照能量值从大到小的顺序将瓦片进行排序，从排名前200名中通过人工筛选以肿瘤细胞密度和染色质量为标准的方式筛选出80-100个瓦片，并使用MASK-RCNN对这些瓦片进行细胞核分割，从而提取出预设核特征，同时，通过计算平均值、方差、极大值和极小值等为每个瓦片生成884个图像特征，在对该884个图像特征做单因素分析筛选出255个特征，这些特征涵盖了形状特征、角点特征、边缘特征、线性特征、中心特征、对角线特征、尺度不变特征变换、图像局部对比度特征、滤波模板和描述符特征等，预设核特征则为预先使用核掩膜和在病理学家设计和量化的指标。
瓦片的能量值，需要计算出像素点在x轴的偏导数和y轴的偏导数，然后再将他们的绝对值求和，也即首先将瓦片转化为灰度图像，然后通过遍历灰度图像中每个像素，计算其能量，输出一个与原瓦片相同尺寸的能量图，同时瓦片的能量值由瓦片中每个像素点能量值累积而来。通过计算图像邻域内x轴和y轴方向上的差值分别确定两个方向上的梯度，能够更准确的提取图像的边缘区域信息。因能量值的如上特性，在医学图像中则能通过该能量值的方式，自动识别出边缘信息丰富的组织区域。
在确定出图像特征和预设核特征后，将筛选出的80-100个瓦片再进行合并，并加上对应的图像特征和预设核特征输入至预设分层模型中，从而确定出风险等级。
所述预设分层模型的训练过程如下：
获取训练数据集；
将所述训练数据集进行预处理后输入到所述预设分层模型中；
基于所述预设分层模型和预设核特征为所述训练数据集中每一张训练医学图像生成风险特征；
根据所述风险特征和对应训练医学图像的训练患者属性信息确定出训练数据集中每一个训练患者的风险值，并组成风险值集；
基于约登指数确定出所述风险值集中的截断值；
将所述截断值输入到预设分层模型中以完成训练。
具体的，预设分层模型可以是XGBOOST模型，其基本组成元素是决策树，这些决策树被称为弱学习器，这些弱学习器共同组成了该模型，而组成该模型的决策树之间是有先后顺序的，后一颗决策树的生成会考虑前一棵决策树的预测结果，生成每颗决策树使用的数据集是整个训练数据集，所以可以将每棵决策树的生成都看作是一个完整的决策树生成过程。新样本依次进入XGBoost的每棵决策树。在第一棵决策树，有一个预测值；在第二棵决策树，有一个预测值，依次类推直到进入完所有弱学习器（决策树）。最后，将“在每一颗决策树中的值”相加，即为最后预测结果。其中xgboost主要模型参数列表如下：eta：学习率，一般固定在0.01 或者 0.001；nrounds：这个是最重要的参数。增大它模型拟合的强度就会升高，降低就会减弱；松弛模型可以通过不断减小这个数值。max_depth: 树的深度，和nrounds参数作用类似，深度越大模型拟合强度越高；"subsample": 数据采样比例，一般降低它，会让模型泛化性增强，也就是推广能力更强，适合在数据比较多的时候用；"colsample_bytree": 列采用比例，一般降低它，会让模型泛化性增强，也就是推广能力更强，适合在数据列数比较多的时候用；reg_lambda: 模型正则化参数，这个参数是其次重要的，改参数值越大，模型泛化性会越强，推广能力越强，所以能起到松弛模型的作用。
其中，所述属性信息具体包括年龄和TNM分期信息。
具体的，本申请所使用的训练数据集为华西医院乳腺癌信息管理系统中真实数据，其每一病例术后3年内每4个月随访一次，第4-5年内每6-12个月随访一次，第5年后每年随访一次，5年内无创无病生存包含无任何浸润性乳腺肿瘤复发、无任何远处疾病复发、无任何继发恶性肿瘤以及可归因于任何原因的死亡，5年内局部无复发生存中局部复发包括：同侧胸壁、同侧区域淋巴结池（腋窝、乳内淋巴结、锁骨上窝或锁骨下窝）的任何疾病复发，所有时间到事件终点定义为从病理诊断之日起的时间（以月为单位）。
在上述中，预设核特征包括26个核特征，训练时会通过预设分层模型和预设核特征为每一张训练医学图像生成884个风险特征，同时对风险特征进行单变量Cox回归分析，并设置条件以避免过度你和，提高模型的稳健性。
在确定所有训练患者的风险值后，通过约登指数确定最佳的截断值，该截断值将训练患者分为高危组和低危组，该截断值满足以下条件：
(1)被认为接受PMRT受益的高危组患者的5年内无创无病生存显著优于未接受PMRT的患者，且P值越小越好;(2)被认为没有获益的低危组患者，即接受或不接受治疗的结果无显著差异，使P值尽可能大，这里的P值意思是当原假设为真时，比所得到的样本观察结果更极端的结果出现的概率，是用来判定假设结果的一个参数，也是统计学上计算统计学差异的统一标准。一般P值小于0.05的数据被认为具有显著统计学差异。
在具体应用场景中，除训练数据集外还包括验证数据集，例如训练数据集为207例，验证数据集为137例，也可在训练数据集中进行对比，比如，每个训练患者对应1-3个医学图像，99例为接受PMRT的训练患者，108例为未接受PMRT的训练患者，69例为接受辅助化疗的训练患者，16例为未接受辅助化疗的训练患者，同时获取随访结果，也即是否为无创无病生存和是否为局部复发生存的判断依据，在训练数据中未接受PMRT的训练患者中年龄≥45岁(HR = 1.59, 95% CI, 1.40 ~ 1.81, P<0.001)， T期(HR = 1.46, 95% CI, 1.36 ~1.58, P<0.001)和N期(HR = 1.48, 95% CI, 1.48 ~ 1.67, P<0.001)越高，侵袭性复发事件发生的可能性越大。而同等病理特征下，接受PMRT (HR = 0.45, 95% CI, 0.40-0.50, P<0.001)对训练患者的5年无创无病生存有积极影响，因此选择上述病例特征作为训练患者的属性信息对预设分层模型进行训练，同理选择同样病理特征作为患者是否需要实施PMRT的评级参数。
通过训练数据确定出最佳的截断值为-0.9845。
步骤S103、通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级。
在本申请实施例中，所述通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级具体为：
基于所述预设分层模型和预设核特征确定出所述医学图像对应的风险特征；
根据所述风险特征和属性信息确定出当前风险值；
根据所述当前风险值和截断值确定风险等级。
也即是说，通过上述能够确定一个截断值，超过该截断值的说明存在较大风险，而未超过该截断值的说明风险较低
步骤S104、基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT。
具体的，风险等级也即是将患者的肿瘤复发分为高风险组和低风险组，以此来更加准确地判断患者是否需要实施PMRT。
基于上述的确定实施PMRT的三阴性乳腺癌患者的方法，本说明一个或多个实施例还提供一种确定实施PMRT的三阴性乳腺癌患者的的平台、终端，该平台或终端可以包括使用本说明书实施例所述方法的装置、软件、模块、插件、服务器、客户端等并结合必要的实施硬件的装置，基于同一创新构思，本说明书实施例提供的一个或多个实施例中的系统如下面的实施例所述，由于系统解决问题的实施方案与方法类似，因此本说明书实施例具体的系统的实施可以参考前述方法的实施，重复之处不再赘述，以下所使用的术语“单元”或者“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系统较佳地以软件来实现，但是硬件，软硬件结合的实现也是可能并被构想的。
具体地，图2是本说明书提供的确定实施PMRT的三阴性乳腺癌患者的装置一个实施例的模块结构示意图，如图2所示，本说明书中提供的确定实施PMRT的三阴性乳腺癌患者的装置包括：
获取模块201，用于获取所述三阴性乳腺癌患者的医学图像，所述医学图像具体为病理H&E染色全切片图像；
预处理模块202，用于将所述医学图像进行预处理后输入到预先训练好的预设分层模型中；
评级模块203，用于通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级；
确定模块204，用于基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT。
需要说明的是，上述的系统根据对应方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。
本申请实施例还提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为用于执行如上述实施例提供的方法。
本申请实施例提供的电子设备，通过存储器存储处理器的可执行指令，当处理器执行该可执行指令时，能够先获取所述三阴性乳腺癌患者的医学图像，所述医学图像具体为病理h&e染色全切片图像；然后将所述医学图像进行预处理后输入到预先训练好的预设分层模型中；接着通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级；最后基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT，能够准确地确定出哪些患者需要实施PMRT，有效指导了放疗决策。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图3是本说明书一个实施例中确定实施PMRT的三阴性乳腺癌患者的服务器的硬件结构框图，该计算机终端可以是上述实施例中的确定实施PMRT的三阴性乳腺癌患者的服务器或确定实施PMRT的三阴性乳腺癌患者的装置。可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。
非易失性存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的确定实施PMRT的三阴性乳腺癌患者的方法对应的程序指令/模块，处理器100通过运行存储在非易失性存储器200内的软件程序以及模块，从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，非易失性存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。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。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果，如：
获取所述三阴性乳腺癌患者的医学图像，所述医学图像具体为病理h&e染色全切片图像；
将所述医学图像进行预处理后输入到预先训练好的预设分层模型中；
通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级；
基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或插件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种确定实施PMRT的三阴性乳腺癌患者的方法，其特征在于，所述方法包括：
获取所述三阴性乳腺癌患者的医学图像，所述医学图像具体为病理H&E染色全切片图像；
将所述医学图像进行预处理后输入到预先训练好的预设分层模型中；
通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级；
基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT。
2.如权利要求1所述的方法，其特征在于，所述预处理具体包括：
将所述医学图像划分为多个预设尺寸的瓦片；
确定每个瓦片中像素之间的梯度，并基于该梯度确定对应瓦片的能量值；
按照所述能量值由大到小的顺序将所有瓦片进行排序；
将预设排名内的瓦片中包含肿瘤的瓦片进行合并，且进行细胞核分割后即为预处理后的医学图像。
3.如权利要求2所述的方法，其特征在于，具体通过如下公式确定对应瓦片的能量值：
式中，x、y分别表示像素点I在x轴和y轴两个方向上的坐标，为偏导数符号，/>、分别表示像素点I在x轴和y轴两个方向上的梯度。
4.如权利要求1所述的方法，其特征在于，所述通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级具体为：
基于所述预设分层模型和预设核特征确定出所述医学图像对应的风险特征；
根据所述风险特征和属性信息确定出当前风险值；
根据所述当前风险值和截断值确定风险等级。
5.如权利要求2所述的方法，其特征在于，所述预设分层模型的训练过程如下：
获取训练数据集；
将所述训练数据集进行预处理后输入到所述预设分层模型中；
基于所述预设分层模型和预设核特征为所述训练数据集中每一张训练医学图像生成风险特征；
根据所述风险特征和对应训练医学图像的训练患者属性信息确定出训练数据集中每一个训练患者的风险值，并组成风险值集；
基于约登指数确定出所述风险值集中的截断值；
将所述截断值输入到预设分层模型中以完成训练。
6.如权利要求1或5所述的方法，其特征在于，所述属性信息具体包括年龄和TNM分期信息。
7.一种确定实施PMRT的三阴性乳腺癌患者的装置，其特征在于，所述装置包括：
获取模块，用于获取所述三阴性乳腺癌患者的医学图像，所述医学图像具体为病理H&E染色全切片图像；
预处理模块，用于将所述医学图像进行预处理后输入到预先训练好的预设分层模型中；
评级模块，用于通过所述预设分层模型、预设核特征和所述三阴性乳腺癌患者的属性信息确定所述三阴性乳腺癌患者的风险等级；
确定模块，用于基于所述风险等级确定所述三阴性乳腺癌患者是否实施PMRT。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311176241.7A CN116913479B (zh) | 2023-09-13 | 2023-09-13 | 一种确定实施pmrt的三阴性乳腺癌患者的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311176241.7A CN116913479B (zh) | 2023-09-13 | 2023-09-13 | 一种确定实施pmrt的三阴性乳腺癌患者的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116913479A true CN116913479A (zh) | 2023-10-20 |
| CN116913479B CN116913479B (zh) | 2023-12-29 |
Family
ID=88360661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311176241.7A Active CN116913479B (zh) | 2023-09-13 | 2023-09-13 | 一种确定实施pmrt的三阴性乳腺癌患者的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116913479B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859184A (zh) * | 2019-01-29 | 2019-06-07 | 牛旗 | 一种连续扫描乳腺超声图像的实时检测与决策融合方法 |
| CN112852968A (zh) * | 2021-04-08 | 2021-05-28 | 杨文琳 | 基于免疫相关lncRNA构建三阴性乳腺癌风险预测方法 |
| CN113208640A (zh) * | 2021-04-26 | 2021-08-06 | 复旦大学附属肿瘤医院 | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 |
| CN113298853A (zh) * | 2021-06-28 | 2021-08-24 | 郑州轻工业大学 | 一种逐级递进的二阶段医学图像配准方法 |
| CN113469229A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的乳腺癌病灶自动标注方法及装置 |
| CN113506630A (zh) * | 2021-07-08 | 2021-10-15 | 上海中医药大学附属龙华医院 | 一种乳腺癌术后全程全方位智能管理系统 |
| CN113628679A (zh) * | 2021-08-13 | 2021-11-09 | 内蒙古医科大学附属人民医院(内蒙古自治区肿瘤医院) | 一种三阴乳腺癌预后预测装置、预测模型及其构建方法 |
| TW202200795A (zh) * | 2020-06-29 | 2022-01-01 | 國立交通大學 | 以微小核糖核酸模組預測三陰性乳癌復發方法 |
| US20220033912A1 (en) * | 2018-12-08 | 2022-02-03 | Pfs Genomics Inc | Transcriptomic profiling for prognosis of breast cancer to identify subjects who may be spared adjuvant systemic therapy |
| CN115985503A (zh) * | 2023-03-20 | 2023-04-18 | 西南石油大学 | 基于集成学习的癌症预测系统 |
| JP2023111030A (ja) * | 2022-01-31 | 2023-08-10 | デンカ株式会社 | トリプルネガティブ乳癌の予後を診断する方法 |
-
2023
- 2023-09-13 CN CN202311176241.7A patent/CN116913479B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220033912A1 (en) * | 2018-12-08 | 2022-02-03 | Pfs Genomics Inc | Transcriptomic profiling for prognosis of breast cancer to identify subjects who may be spared adjuvant systemic therapy |
| CN109859184A (zh) * | 2019-01-29 | 2019-06-07 | 牛旗 | 一种连续扫描乳腺超声图像的实时检测与决策融合方法 |
| TW202200795A (zh) * | 2020-06-29 | 2022-01-01 | 國立交通大學 | 以微小核糖核酸模組預測三陰性乳癌復發方法 |
| CN112852968A (zh) * | 2021-04-08 | 2021-05-28 | 杨文琳 | 基于免疫相关lncRNA构建三阴性乳腺癌风险预测方法 |
| CN113208640A (zh) * | 2021-04-26 | 2021-08-06 | 复旦大学附属肿瘤医院 | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 |
| CN113469229A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的乳腺癌病灶自动标注方法及装置 |
| CN113298853A (zh) * | 2021-06-28 | 2021-08-24 | 郑州轻工业大学 | 一种逐级递进的二阶段医学图像配准方法 |
| CN113506630A (zh) * | 2021-07-08 | 2021-10-15 | 上海中医药大学附属龙华医院 | 一种乳腺癌术后全程全方位智能管理系统 |
| CN113628679A (zh) * | 2021-08-13 | 2021-11-09 | 内蒙古医科大学附属人民医院(内蒙古自治区肿瘤医院) | 一种三阴乳腺癌预后预测装置、预测模型及其构建方法 |
| JP2023111030A (ja) * | 2022-01-31 | 2023-08-10 | デンカ株式会社 | トリプルネガティブ乳癌の予後を診断する方法 |
| CN115985503A (zh) * | 2023-03-20 | 2023-04-18 | 西南石油大学 | 基于集成学习的癌症预测系统 |
Non-Patent Citations (7)
| Title |
|---|
| LINZE CHE 等: "Effectiveness of Targeted Therapy in the Treatment of Triple-negative Breast Cancer and Comparison with Other Treatments", 《2ND INTERNATIONAL CONFERENCE ON HEALTH BIG DATA AND SMART SPORTS》, pages 1 - 5 * |
| P. LIU 等: "Optimizing Survival Analysis of XGBoost for Ties to Predict Disease Progression of Breast Cancer", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》, vol. 68, no. 1, pages 148 - 160, XP011828327, DOI: 10.1109/TBME.2020.2993278 * |
| 刘靖宜 等: "早期(T1-2N1)三阴型乳腺癌根治术后辅助放疗的疗效评估", 《肿瘤预防与治疗》, vol. 35, no. 01, pages 14 - 22 * |
| 李艳 等: "乳腺癌前哨淋巴结超声造影的研究进展", 《中华乳腺病杂志(电子版)》, vol. 6, no. 04, pages 416 - 421 * |
| 李艳 等: "乳腺癌脑转移治疗的研究进展", 《中国癌症杂志》, vol. 19, no. 04, pages 313 - 317 * |
| 罗波 等: "三阴乳腺癌脑转移患者全脑放疗联合精确放疗疗效及预后分析", 《立体定向和功能性神经外科杂志》, vol. 25, no. 05, pages 301 - 304 * |
| 郭嘉漪 等: "三阴型乳腺癌改良根治术后T1～T2N1M0行辅助性放疗的效果研究", 《中外医疗》, vol. 39, no. 29, pages 70 - 72 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116913479B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
| US11164312B2 (en) | System and method to quantify tumor-infiltrating lymphocytes (TILs) for clinical pathology analysis based on prediction, spatial analysis, molecular correlation, and reconstruction of TIL information identified in digitized tissue images | |
| CN106815481B (zh) | 一种基于影像组学的生存期预测方法及装置 | |
| CN108629772B (zh) | 图像处理方法及装置、计算机设备和计算机存储介质 | |
| Tang et al. | CapSurv: Capsule network for survival analysis with whole slide pathological images | |
| Hao et al. | Breast cancer histopathological images classification based on deep semantic features and gray level co-occurrence matrix | |
| CN110866893A (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
| CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
| CN112614144A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| CN115880262A (zh) | 基于在线噪声抑制策略的弱监督病理图像组织分割方法 | |
| CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
| Ström et al. | Pathologist-level grading of prostate biopsies with artificial intelligence | |
| WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| US20230070874A1 (en) | Learning representations of nuclei in histopathology images with contrastive loss | |
| Ansari et al. | Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network | |
| CN114580501A (zh) | 骨髓细胞分类方法、系统、计算机设备及存储介质 | |
| Wu et al. | Segmentation of HE-stained meningioma pathological images based on pseudo-labels | |
| Pedersen et al. | H2G-Net: A multi-resolution refinement approach for segmentation of breast cancer region in gigapixel histopathological images | |
| Han et al. | A deep learning quantification algorithm for HER2 scoring of gastric cancer | |
| CN112508860B (zh) | 一种免疫组化图像核阳性的人工智能判读方法及系统 | |
| CN113762395A (zh) | 一种胰胆管型壶腹癌分类模型生成方法及图像分类方法 | |
| CN113435469A (zh) | 一种基于深度学习的肾肿瘤增强ct图像自动识别系统及其训练方法 | |
| CN113793306A (zh) | 一种基于分片处理的乳腺病理图像识别检测方法与系统 | |
| US12002206B2 (en) | System and method for automatically identifying mitosis in H and E stained breast cancer pathological images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |