CN117562504A - 目标模型的构建方法、治疗效果的预测方法以及相关装置 - Google Patents
目标模型的构建方法、治疗效果的预测方法以及相关装置 Download PDFInfo
- Publication number
- CN117562504A CN117562504A CN202311592555.5A CN202311592555A CN117562504A CN 117562504 A CN117562504 A CN 117562504A CN 202311592555 A CN202311592555 A CN 202311592555A CN 117562504 A CN117562504 A CN 117562504A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- liver cancer
- cancer patient
- liver
- 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
- 238000011282 treatment Methods 0.000 title claims abstract description 98
- 230000000694 effects Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000010276 construction Methods 0.000 title claims description 12
- 208000014018 liver neoplasm Diseases 0.000 claims abstract description 126
- 201000007270 liver cancer Diseases 0.000 claims abstract description 125
- BFPSDSIWYFKGBC-UHFFFAOYSA-N chlorotrianisene Chemical compound C1=CC(OC)=CC=C1C(Cl)=C(C=1C=CC(OC)=CC=1)C1=CC=C(OC)C=C1 BFPSDSIWYFKGBC-UHFFFAOYSA-N 0.000 claims abstract description 91
- 210000004185 liver Anatomy 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 52
- 210000003240 portal vein Anatomy 0.000 claims description 45
- 230000003902 lesion Effects 0.000 claims description 19
- 208000019425 cirrhosis of liver Diseases 0.000 claims description 16
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 230000001225 therapeutic effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 abstract description 19
- 238000002591 computed tomography Methods 0.000 description 142
- 102100031111 Disintegrin and metalloproteinase domain-containing protein 17 Human genes 0.000 description 73
- 101000777461 Homo sapiens Disintegrin and metalloproteinase domain-containing protein 17 Proteins 0.000 description 73
- 238000010801 machine learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000036770 blood supply Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 108010088751 Albumins Proteins 0.000 description 6
- 102000009027 Albumins Human genes 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004797 therapeutic response Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 4
- 108010082126 Alanine transaminase Proteins 0.000 description 4
- 102100023635 Alpha-fetoprotein Human genes 0.000 description 4
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 4
- 108010074051 C-Reactive Protein Proteins 0.000 description 4
- 102100032752 C-reactive protein Human genes 0.000 description 4
- 206010016654 Fibrosis Diseases 0.000 description 4
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 4
- 108010026331 alpha-Fetoproteins Proteins 0.000 description 4
- 239000000090 biomarker Substances 0.000 description 4
- 230000007882 cirrhosis Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005194 fractionation Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000004091 panning Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 206010027476 Metastases Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000010109 chemoembolization Effects 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002767 hepatic artery Anatomy 0.000 description 3
- 230000003908 liver function Effects 0.000 description 3
- 230000009401 metastasis Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 241000700721 Hepatitis B virus Species 0.000 description 2
- CKLJMWTZIZZHCS-REOHCLBHSA-N L-aspartic acid Chemical compound OC(=O)[C@@H](N)CC(O)=O CKLJMWTZIZZHCS-REOHCLBHSA-N 0.000 description 2
- 108090000340 Transaminases Proteins 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 235000003704 aspartic acid Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- OQFSQFPPLPISGP-UHFFFAOYSA-N beta-carboxyaspartic acid Natural products OC(=O)C(N)C(C(O)=O)C(O)=O OQFSQFPPLPISGP-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 2
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 102000014898 transaminase activity proteins Human genes 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 206010052399 Neuroendocrine tumour Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 229940041181 antineoplastic drug Drugs 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000003073 embolic effect Effects 0.000 description 1
- 230000010102 embolization Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000003228 intrahepatic bile duct Anatomy 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000031864 metaphase Effects 0.000 description 1
- 239000004005 microsphere Substances 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 208000016065 neuroendocrine neoplasm Diseases 0.000 description 1
- 201000011519 neuroendocrine tumor Diseases 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011127 radiochemotherapy Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000003462 vein Anatomy 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
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4244—Evaluating particular parts, e.g. particular organs liver
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Physiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Gastroenterology & Hepatology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Endocrinology (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Vascular Medicine (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种目标模型的构建方法、治疗效果的预测方法以及相关装置,该方法包括:获取样本集的临床变量和CT图像,样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括肝癌患者的肝实质的病灶区域和正常区域;根据临床变量中表征TACE治疗效果的目标参数和CT图像构建目标输入数据;对预设的第一模型基于目标输入数据进行模型训练,直到第一模型满足预设的收敛条件则确定第一模型训练结束,得到第二模型;将预设的可解释性模型与第二模型进行结合,得到目标模型。使得该目标模型在对肝癌患者TACE治疗效果的预测上会更具有优势,可以更全面地反应肿瘤内部异质性并作出必要的临床可解释性。
Description
技术领域
本发明实施例涉及机器学习技术领域,尤其涉及一种目标模型的构建方法、治疗效果的预测方法以及相关装置。
背景技术
肝动脉化疗栓塞术(Transcatheter arterial chemoembolization,TACE)是将导管选择性或超选择性插入到肿瘤供血靶动脉后,以适当的速度注入栓塞剂,使靶动脉闭塞,引起肿瘤组织的缺血坏死。使用抗癌药物或药物微球进行栓塞可起到化疗性栓塞的作用。由于肝脏肿瘤的血供大部分来源于肝动脉,肝动脉栓塞后导致肿瘤血供中断或减少,随后肿瘤发生坏死、缩小,达到治疗效果。因此,TACE作为中期肝癌患者(肝功能状态良好、无血管浸润、无远处转移的多病灶)的标准治疗方案,其中,传统TACE(conventional TACE,cTACE)是最常见的TACE治疗方案。
多项实验表明,中期肝细胞癌患者能够从TACE中获益,中位生存期可以从19.4个月提高到37个月。但是,TACE是一项高度复杂的技术程序,不论在患者选择还是在技术程序、化疗药物、治疗时间间隔和疗程数等方面都充满异质性并且缺乏标准的方法。特别是,中期肝细胞癌的定义过于广泛,包括了大量具有异质性肿瘤负荷和肝功能的患者,导致各个患者的治疗反应和平均生存时间差异明显。鉴于中期肝癌患者之间的巨大差异,有必要确定反映生物异质性的预测因素,以帮助肿瘤医生在治疗前确定哪些患者更有可能从TACE中获益,并指导不同疗效组的患者的治疗决策。
随着科技的进步与发展,人工智能技术逐渐具备识别数据中潜在模式的能力,并已成功应用于临床医学中,用于从CT、超声和磁共振成像(MRI)中检测新的影像生物标志物,例如,一些研究在机器学习领域中采用放射学方法构建模型,将该模型用于预测肝癌患者对TACE的治疗反应。但这些模型比较依赖于影像生物标志物的个体特征,无法全面反应不同病患肿瘤内部的异质性,且由于模型的“黑盒子”特性,其难以作出可解释性的临床预测。
发明内容
本发明实施例提出了一种目标模型的构建方法、治疗效果的预测方法以及相关装置,以解决现有机器学习模型无法全面反应不同病患肿瘤内部的异质性、以及无法作出可解释性的临床预测的问题。
第一方面,本发明实施例提供了一种目标模型的构建方法,所述目标模型用于预测肝癌患者TACE治疗的效果,所述方法包括:
获取样本集的临床变量和CT图像,所述样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
根据所述临床变量中表征TACE治疗效果的目标参数和所述CT图像构建目标输入数据;
对预设的第一模型基于所述目标输入数据进行模型训练,直到所述第一模型满足预设的收敛条件则确定所述第一模型训练结束,得到第二模型;
将预设的可解释性模型与所述第二模型进行结合,得到目标模型。
第二方面,本发明实施例还提供了一种治疗效果的预测方法,所述预测方法用于预测肝癌患者TACE治疗的效果,所述方法包括:
获取肝癌患者的临床变量和CT图像,所述肝癌患者为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
从所述临床变量和所述CT图像中获取得到表征所述肝癌患者TACE治疗效果的特征数据;
根据如第一方面所述的构建方法确定目标模型;
将所述特征数据输入至所述目标模型中,输出针对所述肝癌患者TACE治疗效果的预测结果。
第三方面,本发明实施例还提供了一种构建目标模型的装置,所述装置包括:
样本数据获取模块,用于获取样本集的临床变量和CT图像,所述样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
输入数据构建模块,用于根据所述临床变量中表征TACE治疗效果的目标参数和所述CT图像构建目标输入数据;
模型训练模块,用于对预设的第一模型基于所述目标输入数据进行模型训练,直到所述第一模型满足预设的收敛条件则确定所述第一模型训练结束,得到第二模型;
模型调整模块,用于将预设的可解释性模型与所述第二模型进行结合,得到目标模型。
第四方面,本发明实施例还提供了一种治疗效果的预测装置,所述预测装置用于预测肝癌患者TACE治疗的效果,所述预测装置包括:
初始数据获取模块,用于获取肝癌患者的临床变量和CT图像,所述肝癌患者为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
特征数据获取模块,用于从所述临床变量和所述CT图像中获取得到表征所述肝癌患者TACE治疗效果的特征数据;
模型确定模块,用于根据如第一方面所述的构建方法确定目标模型;
预测模块,用于将所述特征数据输入至所述目标模型中,输出针对所述肝癌患者TACE治疗效果的预测结果。
第五方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的目标模型的构建方法或者如第二方面所述的治疗效果的预测方法。
第六方面,本发明实施例还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计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的目标模型的构建方法或者如第二方面所述的治疗效果的预测方法。
在本申请实施例中,获取样本集的临床变量和CT图像,样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括肝癌患者的肝实质的病灶区域和正常区域;根据临床变量中表征TACE治疗效果的目标参数和CT图像构建目标输入数据;对预设的第一模型基于目标输入数据进行模型训练,直到第一模型满足预设的收敛条件则确定第一模型训练结束,得到第二模型;将预设的可解释性模型与第二模型进行结合,得到目标模型。该目标模型包含有可解释性模型和第二模型,第二模型是经过目标输入数据训练得到的,而目标输入数据是经过从样本集中多个肝癌患者的临床变量筛选目标参数并结合CT图像的参数构建得到的,所以第二模型是能够反应肝癌患者的临床数据中潜在的特征指标的模型,并且为了更好的对第二模型的输出结果进行可解释和可视化,将预设的可解释性模型与第二模型进行结合构建目标模型,使得该目标模型在对肝癌患者TACE治疗效果的预测上会更具有优势,可以更全面地反应肿瘤内部的异质性并作出必要的临床可解释性。
附图说明
图1为本发明实施例一提供的一种目标模型的构建方法的流程图;
图2为本发明实施例一提供的一种肝癌患者的肝脏CT图像的示意图;
图3为本发明实施例二提供的一种治疗效果的预测方法的流程图;
图4为本发明实施例三提供的一种构建目标模型的装置的结构框图;
图5为本发明实施例四提供的一种治疗效果的预测装置的结构框图;
图6为本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在临床实践中,评估对TACE的治疗反应或制定治疗策略主要可以基于临床变量和肝脏的增强计算机断层扫描(CT)。既往研究发现,定量CT参数,如动脉期、门静脉期、动脉增强率和门静脉增强率,可以预测接受TACE治疗的结肠癌肝转移和神经内分泌肿瘤肝转移患者的治疗反应。这些参数量化了肿瘤血供的异质性,形成可理解的特征,然而它们在预测中期肝癌患者对TACE治疗的反应方面的有效性仍不清楚。
随着科技的进步与发展,人工智能技术逐渐具备识别数据中潜在模式的能力,并已成功应用于临床医学中,用于从CT、超声和磁共振成像(MRI)中检测新的影像生物标志物,例如,一些研究在机器学习领域中采用放射学方法构建模型,将该模型用于预测肝癌患者对TACE的治疗反应。在深度学习领域,一些研究基于CT图像开发了预测模型,预测模型中使用了残差卷积神经网络,取得了令人满意的预测准确性。尽管这些AI模型提供了较为准确的治疗反应预测,但它们在临床实践中的应用遇到了困难。因为这些模型比较依赖于影像生物标志物的个体特征,无法全面反应不同病患肿瘤内部的异质性,且由于模型的“黑盒子”特性,其难以作出可解释性的临床预测。可解释性意味着当使用人工智能辅助临床诊断和治疗时,医生能够理解模型预测的临床依据和推理过程,并在采用AI模型的预测建议之前评估其与已建立的医学知识的一致性。
为了解决现有机器学习模型无法全面反应不同病患肿瘤内部的异质性、以及无法作出可解释性的临床预测的问题,本申请将机器学习与可解释性算法相结合,基于临床因素和增强CT定量参数构建了一个在临床实践中具有可解释性的机器学习模型,用于预测中期肝癌患者首次TACE的治疗反应。
实施例一
图1为本发明实施例一提供的一种目标模型的构建方法的流程图,本实施例可适用于利用已接受TACE治疗的肝癌患者作为样本集,收集样本集在接受TACE治疗后的临床反应中的各种临床变量和CT图像构建目标输入数据,使用目标输入数据训练用于预测肝癌患者TACE治疗效果的目标模型的情况,该方法可以由构建目标模型的装置来执行,该装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、工作站、个人电脑,等等,该方法具体包括如下步骤:
S110、获取样本集的临床变量和CT图像。
其中,样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括肝癌患者的肝实质的病灶区域以及正常区域(也称正常肝实质)。
本实施例可以选择CT增强扫描来获取样本集中各个肝癌患者上腹部的增强扫描图像作为样本集的CT图像,CT图像包括平扫期、动脉期、门静脉期的CT图像。其中,动脉期、门静脉期的CT图像可以是动脉期的CT增强扫描图像和门静脉期的CT增强扫描图像。
病灶一般是指患者机体上发生病变的部分,本实施例中的病灶区域是指样本集中肝癌患者肝实质上的病灶在CT扫描中的异常密度图像区域;同理,正常区域是指样本集中肝癌患者的肝实质上的非病灶区域在该患者CT扫描中的正常图像区域。
即,本申请实施例中的正常区域是指肝实质的正常区域,本申请实施例中的病灶区域是指肝实质的病灶区域,本申请实施例中的肝实质是指肝脏内除了肝血管、肝内胆管等脉管之外的其他肝脏组织,是发挥肝脏生理功能的组织。
CT(Computed Tomography)的全名是X射线电子计算机断层扫描仪。与X线检查不同,CT可以显示出机体某一部位的横断面,照射一次CT,相当于在同一被照射部位的不同层次进行X射线扫描,CT图像是指机体的某一部位经CT扫描再经计算机处理而获得的重建图像。CT图像所显示的是断面解剖图像,其密度分辨力明显优于X线图像。CT图像可以使医生看到普通X射线技术无法看到的部位,从而发现微小的病变。对CT图像进行分析,可以提高机体病变的检出率和诊断的准确率。
需要说明的是,本实施例中的样本集的临床变量可以包括多个参数,比如:年龄、性别、ECOGPS、Child-Pugh分级、乙型肝炎病毒(HBV)、肝硬化、α-胎儿蛋白(AFP)、丙氨酸氨基转移酶(ALT)、天门冬氨酸氨基转移酶(AST)、白蛋白(ALB)、C反应蛋白(CPR)、总胆红素(TBIL)和白蛋白胆红素(ALBI)分级,等等。
S120、根据临床变量中表征TACE治疗效果的目标参数和CT图像构建目标输入数据。
在本申请实施例中,可以从临床变量中筛选出多个能够表征肝癌患者经过TACE治疗后可反应治疗效果的参数作为目标参数,利用已筛选出的目标参数和肝癌患者的CT图像来构建用于训练目标模型的目标输入数据。
在本实施例的一种实现方式中,根据临床变量中表征TACE治疗效果的目标参数和CT图像构建目标输入数据的具体过程可以包括:
S1201、确定临床变量中表征TACE治疗效果的目标参数包括肝癌患者的活动状态参数和肝癌患者的肝硬化参数。其中,本实施例中的肝硬化参数用于表征肝癌患者是否患有肝硬化。
在本实施例中,样本集的临床变量包括多个参数,可以选择肝癌患者的活动状态参数和肝硬化参数作为表征该患者经过TACE治疗后反应治疗效果的目标参数。其中,肝癌患者的活动状态参数可以用ECOGPS参数来表示,ECOG(Eastern Cooperative OncologyGroup)是美国东部肿瘤协作组的简称,该组织就癌症患者的一般健康状态中的重要评价指标--活动状态PS(performance status)提出了一种ECOG评分标准,比如可以将患者的活动状态分为不同层级,每一层级都对应着患者相应的身体状态。活动状态参数可以作为为患者评估定制化治疗的参考维度,比如若评估出患者的身体体质虚弱,就不能采取各种创伤性疗法,例如手术或者放化疗,都是有风险的。因此,活动状态参数也可以很好的反映出肝癌患者在接受过TACE治疗后机体上表现出来的治疗效果。此外,由于肝硬化在临床诊断中往往与肝癌密切相关,该参数指标也是能表征肝癌患者在接受TACE治疗前的肝功能的主要指标之一。故,在该实施例中,可以选取肝癌患者的活动状态参数和肝癌患者的肝硬化作为临床变量中表征TACE治疗效果的目标参数。
S1202、获取CT图像中病灶的平均直径。
其中,本实施例中的病灶是指肝癌患者的肝实质发生病变的部分,可以通过图像目标检测算法、分类器、人工测量等方式从患者肝实质的CT图像中采集得到病灶在CT图像显影中的直径;由于肝癌患者肝实质上的病灶可能不止一处,会存在有多个病灶,所以本实施例最终获取的是肝实质中多个病灶的平均直径,即可以测量得到多个病灶的直径,至多测量5个病灶,得到直径集合,再对该直径集合中的所有直径求和再求平均值,最终得到病灶的平均直径。
S1203、从CT图像中获取表征病灶区域与正常区域之间强化程度的对比参数。
S1204、基于活动状态参数、肝硬化参数、平均直径和对比参数构建目标输入数据。
在本实施例中,目标输入数据是指用于对预设的第一模型进行模型训练的数据;目标输入数据可以分为训练集和验证集,利用训练集训练后的第一模型可以经过验证集进行验证,为了使得模型可以学习到更多的数据特征,为了数据集的丰富多样性,还可以使用交叉验证的方式充分利用目标输入数据对第一模型进行训练和验证,比如可以将上一次验证模型所用的验证集作为下一次训练模型的训练集,上一次的训练集作为下一次验证模型的验证集;其中,交叉验证的目的是为了防止数据偏倚导致的误差,防止数据分布不均,同时也是扩大对模型进行训练和验证的数据量的一种方式。
在上述实现方式中,S1203中“从CT图像中获取表征病灶区域与正常区域之间强化程度的对比参数”的具体过程可以包括:
S12031、从CT图像中获取病灶区域与正常区域分别在平扫期、动脉期和门静脉期的多个目标CT值;
S12032、基于多个目标CT值计算表征病灶区域与正常区域之间强化程度的对比,作为对比参数。
在本实施例的一个示例中,S12031可以包括如下具体步骤:
S12031-1、对CT图像中的病灶区域和正常区域分别圈选出具有相同大小的感兴趣区域,作为病灶感兴趣区域和正常肝实质感兴趣区域;
S12031-2、获取病灶感兴趣区域在平扫期、动脉期和门静脉期的CT值以及正常肝实质感兴趣区域在平扫期、动脉期和门静脉期的CT值,得到多个目标CT值。
其中,目标CT值可以是测量病灶感兴趣区域在平扫期或动脉期或门静脉CT图像中得到的CT值,也可以是测量正常肝实质感兴趣区域在平扫期或动脉期或门静脉CT图像中得到的CT值;即本实施例中的目标CT值可以有多个,对此不作具体限定。需要说明的是,CT值可以作为用于评估CT图像的灰度的定量单位,各个时期下测量CT图像中感兴趣区域所得到的CT值可以用于表征病灶或正常肝实质的平均灰度值,且该数值越高表示肝脏该对应部位的血供越丰富,血供丰富程度与TACE治疗密切相关。
在本实施例的一个示例中,S12032可以包括如下具体步骤:
S12032-1、根据病灶区域和正常区域在平扫期、动脉期的目标CT值,计算得到动脉增强比。动脉增强比为表征病灶相对于正常肝实质在动脉期的增强指标。
在S12032-1的具体实现过程中,可以计算病灶区域中的病灶感兴趣区域在动脉期的CT值与在平扫期的CT值之间的差值,作为第一病灶差值;计算第一病灶差值与病灶感兴趣区域在平扫期的CT值之间的比值,作为第一病灶比值;计算正常区域中的正常肝实质感兴趣区域在动脉期的CT值与在平扫期的CT值之间的差值,作为第一正常差值;计算第一正常差值与正常肝实质感兴趣区域在平扫期的CT值之间的比值,作为第一正常比值;计算第一病灶比值与第一正常比值之间的比值,得到动脉增强比。
S12032-2、根据病灶区域和正常区域在门平扫期、静脉期的目标CT值,计算得到门静脉增强比。门静脉增强比为表征病灶相对于正常肝实质在门静脉期的增强指标。
在S12032-2的具体实现过程中,可以计算病灶感兴趣区域在门静脉期的CT值与在平扫期的CT值之间的差值,作为第二病灶差值;计算第二病灶差值与病灶感兴趣区域在平扫期的CT值之间的比值,作为第二病灶比值;计算正常区域中的正常肝实质感兴趣区域在门静脉期的CT值与在平扫期的CT值之间的差值,作为第二正常差值;计算第二正常差值与正常肝实质感兴趣区域在平扫期的CT值之间的比值,作为第二正常比值;计算第二病灶比值与第二正常比值之间的比值,得到门静脉增强比。
S12032-3、计算动脉增强比与门静脉增强比之间的比值,作为动脉门静脉增强比。动脉门静脉增强比为表征病灶相对于正常肝实质在动脉期和门静脉期的增强指标。
S12032-4、汇总动脉增强比、门静脉增强比和动脉门静脉增强比,作为对比参数。
为了更好的理解S1203中所提及的技术内容,可以参考图2,以图2所示的CT图像举例来加深说明S1203的一种具体实现方式。
在一个示例中,如图2所示,图2中A、B、C所标识的肝脏CT图像分别为平扫期(又称非增强期)、动脉期和门静脉期的CT增强扫描图像。在该示例中,选择CT增强扫描来获取图2所示的各个时期的CT图像,能够增加图像的强化程度,使得机体的病变组织和正常组织的界线更加清晰,组织密度、形态、大小等特征显示更为突出。其中,CT平扫指的是单纯的利用设备进行扫描,不使用对比剂;而CT增强扫描是在扫描的同时,对患者静脉注射碘对比剂。CT平扫和CT增强扫描的最主要区别是通过对比剂注射增加病灶与正常肝实质的对比,同时还可以间接评估病变血供情况。比如图2,平扫期(A)只能看到肝脏异常低密度灶,而CT增强扫描中可以观察到异常强化的病灶,在动脉期(B)和门静脉期(C)中还可以评估病变的血供情况,对诊断非常有帮助。
针对图2,可以预先在该患者不同时期的CT图像中肝实质的病灶区域和正常区域的相同部位处设置相同大小的感兴趣区域ROI,具体的,如图2所示,在平扫期(A)、动脉期(B)和门静脉期(C)的肝脏CT图像的病灶区域设置相同大小的病灶感兴趣区域ROI,针对这些ROI区域顺序测量得到的CT值如下:T0(平扫期)、Ta(动脉期)、TP(门静脉期)分别为57HU,75HU和72HU,代表对比剂进入病灶区域的平均衰减值。同时,在平扫期(A)、动脉期(B)和门静脉期(C)的肝脏CT图像的正常区域(即肝实质的正常区域)设置相同大小的正常肝实质感兴趣区域ROI,记录正常肝实质在平扫期(A)、动脉期(B)和门静脉期(C)的平均衰减值为N0、Na、NP,对应的具体CT值分别为47HU、69HU和112HU。进一步的,根据病灶区域和正常区域在动脉期、平扫期的目标CT值,计算得到动脉增强比,即动脉增强比AER(Arterial Enhancement Ratio)为表征病灶相对于正常肝实质在动脉期的增强指标,具体可以表征动脉期肿瘤病灶相当于正常肝实质的强化程度(即增强百分比);根据病灶区域和正常区域在门静脉期、平扫期的目标CT值,计算得到门静脉增强比,即门静脉增强比PER(Portal Venous Enhancement Ratio)门静脉增强比为表征病灶相对于正常肝实质在门静脉期的增强指标,具体可以表征静脉期肿瘤病灶相当于正常肝实质的强化程度;计算动脉增强比与门静脉增强比之间的比值,作为动脉门静脉增强比,即动脉门静脉增强比/> APR(Arterial Portal Venous EnhancementRatio)动脉门静脉增强比为表征病灶相对于正常肝实质在动脉期和门静脉期的增强指标,具体可以表征病灶和正常肝实质在动脉期和门静脉期之间的相对强化程度。参考图2,病灶(肿瘤)的动脉期增强定义为Ta和T0之间的差值,门静脉期增强定义为TP和T0之间的差值,最终计算得到的AER为0.67,表明动脉期强化程度;PER为0.19,代表门静脉期的增强水平;APR为3.55,表明动脉期和门静脉期之间的相对增强。
S130、对预设的第一模型基于目标输入数据进行模型训练,直到第一模型满足预设的收敛条件则确定第一模型训练结束,得到第二模型。
在本实施例中,预设的第一模型可以是随机森林模型、支持向量机模型(SVM)、逻辑回归模型,等等,用于确定第一模型训练完成的收敛条件可以预先进行设置,预设的收敛条件可以包括训练迭代次数阈值、准确率阈值、召回率阈值,等等。
在一种具体实现方式中,可以确定预设的第一模型为随机森林模型,预设的收敛条件可以包括预设的训练迭代次数阈值、预设的准确率阈值;将目标输入数据输入随机森林模型中进行模型训练,直到随机森林模型满足训练迭代次数阈值或满足准确率阈值,则确定随机森林模型训练结束,得到第二模型。
在本实施例中,准确率阈值可以是针对预先设置的用于评估准确率的指标所设定的阈值,用于评估准确率的指标可以是机器学习领域中用于评估模型的精准度的任意指标,例如交并率IOU(Intersection overunion)、真正类率TPR(True positives rate)、伪正类率FPR(False positives rate)、召回率Recall、精确率Precision、准确率Accuracy、ROC曲线、AUC(Area Under Curve)、均方误差MSE,等等。本实施例对此不做具体限定。
S140、将预设的可解释性模型与第二模型进行结合,得到目标模型。
在本实施例中,预设的可解释性模型可以是SHAP(Shapley AdditiveExplanation)模型、LIME(Local Interpretable Model-agnostic Explanations)模型、PDP(Partial Dependence Plot)模型、ICE(Individual Conditional Expectation)模型,等等;只要选定的可解释性模型能够对第二模型的输出结果进行可解释化以及将结果定量可视化呈现,本实施例可以对可解释性模型的具体选择不做任何具体限定。需要说明的是,不同类型的可解释性模型各具其特色,例如,PDP模型可以显示一个或两个特征对机器学习模型的预测结果的边际效应,它可以帮助研究人员确定当大量特征调整/变动时,模型预测会发生什么样的变化;ICE模型和PDP模型非常相似,但和PDP模型不同之处在于,PDP模型绘制出来的是所有实例的平均情况,但是ICE模型会显示每个实例的个体情况,ICE模型可以帮助解释一个特定的特征改变时,模型的预测会怎么变化;上述实例在本实施例中可以理解为目标输入数据中的任意一个特征(例如活动状态参数、肝硬化参数、平均直径和对比参数)。PDP模型虽然能够很直观地显示所有实例的平均边际效益,但可能会隐藏异质效应。因此,选择预设的可解释性模型需要考虑各个模型的特点,需要评估各个模型对实例的评估维度和展示方式,以便于更好的构造用于预测肝癌患者TACE治疗的效果的目标模型。
在本实施例中,可以预先确定SHAP模型作为选用的可解释性模型,可以将预设的可解释性模型与第二模型的输出层结合,将输出层输出的特征结果作为可解释性模型的输入数据,可解释性模型针对输入数据会输出具有可解释性的输出结果,以使得可解释性模型对输出层输出的特征结果进行重要程度的可视化展示,最终将可解释性模型与第二模型的结合作为具有可解释性的目标模型。
本发明实施例通过获取样本集的临床变量和CT图像,样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括肝癌患者的肝实质的病灶区域和正常区域;根据临床变量中表征TACE治疗效果的目标参数和CT图像构建目标输入数据;对预设的第一模型基于目标输入数据进行模型训练,直到第一模型满足预设的收敛条件则确定第一模型训练结束,得到第二模型;将预设的可解释性模型与第二模型进行结合,得到目标模型。该目标模型包含有可解释性模型和第二模型,第二模型是经过目标输入数据训练得到的,而目标输入数据是经过从样本集中多个肝癌患者的临床变量筛选目标参数并结合CT图像的参数构建得到的,所以第二模型是能够反应肝癌患者的临床数据中潜在的特征指标的模型,并且为了更好的对第二模型的输出结果进行可解释和可视化,将预设的可解释性模型与第二模型进行结合构建目标模型,使得该目标模型在对肝癌患者TACE治疗效果的预测上会更具有优势,可以更全面地反应肿瘤内部的异质性并作出必要的临床可解释性。
实施例二
图3为本发明实施例二提供的一种治疗效果的预测方法的流程图,本实施例可适用于利用临床数据对经过TACE治疗的肝癌患者疗后效果进行预测的情况,该方法可以由治疗效果的预测装置来执行,该治疗效果的预测装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、工作站、个人电脑,等等,该方法具体包括如下步骤:
S210、获取肝癌患者的临床变量和CT图像。
在本实施例中,肝癌患者为已接受至少一次TACE治疗的肝癌患者,CT图像包括肝癌患者的肝实质的病灶区域和正常区域。
S220、从临床变量和CT图像中获取得到表征肝癌患者TACE治疗效果的特征数据。
在本实施例中,可以从选中的肝癌患者的历史诊断医疗数据中收集该患者接受TACE治疗后的临床反应数据,以确认该患者相关的临床变量的多个参数,比如:年龄、性别、ECOGPS、Child-Pugh分级、乙型肝炎病毒(HBV)、肝硬化、α-胎儿蛋白(AFP)、丙氨酸氨基转移酶(ALT)、天门冬氨酸氨基转移酶(AST)、白蛋白(ALB)、C反应蛋白(CPR)、总胆红素(TBIL)和白蛋白胆红素(ALBI)分级,等等。
进一步的,可以从临床变量中筛选出多个能够表征该肝癌患者经过TACE治疗后可反应治疗效果的参数作为目标参数,利用已筛选出的目标参数和肝癌患者的CT图像来获取得到表征肝癌患者TACE治疗效果的特征数据。具体的,比如可以选择该肝癌患者的活动状态参数和肝硬化参数作为目标参数,获取该肝癌患者的CT图像中肝实质上病灶的平均直径(由于肝癌患者的肝实质上的病灶可能不止一处,会存在有多个病灶,所以本实施例最终获取的是肝实质中多个病灶的平均直径,即可以测量得到多个病灶的直径,至多测量5个病灶,得到直径集合,再对该直径集合中的所有直径求和再求平均值,最终得到病灶的平均直径),从CT图像中获取表征病灶区域与正常区域之间强化程度的对比参数(例如动脉增强比、门静脉增强比和动脉门静脉增强比);最终利用活动状态参数、肝硬化参数、平均直径和对比参数得到可以表征肝癌患者TACE治疗效果的特征数据。
在一些实施例中,对比参数(例如动脉增强比、门静脉增强比和动脉门静脉增强比)的获取方法可以参考前述实施例中的任一对比参数的获取方法,本实施例在此不再赘述。
S230、确定用于预测肝癌患者TACE治疗的效果的目标模型。
在本实施例中,确定用于预测肝癌患者TACE治疗的效果的目标模型的构建方法可以包括:
获取样本集的临床变量和CT图像,样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括肝癌患者的肝实质的病灶区域和正常区域;
根据临床变量中表征TACE治疗效果的目标参数和CT图像构建目标输入数据;
对预设的第一模型基于目标输入数据进行模型训练,直到第一模型满足预设的收敛条件则确定第一模型训练结束,得到第二模型;
将预设的可解释性模型与第二模型进行结合,得到目标模型。
在本实施例中,可以参考前述实施例中的任一目标模型的构建方法确定目标模型。本实施例对此不作限定。
S240、将特征数据输入至目标模型中,输出针对肝癌患者TACE治疗效果的预测结果。
本发明实施例通过获取肝癌患者的临床变量和CT图像,肝癌患者为已接受至少一次TACE治疗的肝癌患者,CT图像包括肝癌患者的肝实质的病灶区域和正常区域;从临床变量和CT图像中获取得到表征肝癌患者TACE治疗效果的特征数据;确定用于预测肝癌患者TACE治疗的效果的目标模型;将特征数据输入至目标模型中,输出针对肝癌患者TACE治疗效果的预测结果。由于目标模型包含有可解释性模型和第二模型,第二模型是预设的第一模型经过目标输入数据训练得到的,而目标输入数据是经过从样本集中多个肝癌患者的临床变量筛选目标参数并结合CT图像的参数构建得到的,所以第二模型是能够反应肝癌患者的临床数据中潜在的特征指标的模型,并且为了更好的对第二模型的输出结果进行可解释和可视化,将预设的可解释性模型与第二模型进行结合构建目标模型,使得该目标模型在对肝癌患者TACE治疗效果的预测上会更具有优势,可以更全面的反应出肿瘤内部的异质性特征并可作出可解释性的预测。因此利用目标模型对从临床变量和CT图像中获取得到表征肝癌患者TACE治疗效果的特征数据进行解析,可以输出针对肝癌患者TACE治疗效果的更为准确、且具有可解释性的预测结果,该预测结果可以辅助肝癌患者的临床诊断和治疗,可以为医生提供针对肝癌患者接受TACE治疗后所产生疗效的预测建议。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例三
图4为本发明实施例三提供的一种构建目标模型的装置的结构框图,具体可以包括如下模块:
样本数据获取模块410,用于获取样本集的临床变量和CT图像,所述样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
输入数据构建模块420,用于根据所述临床变量中表征TACE治疗效果的目标参数和所述CT图像构建目标输入数据;
模型训练模块430,用于对预设的第一模型基于所述目标输入数据进行模型训练,直到所述第一模型满足预设的收敛条件则确定所述第一模型训练结束,得到第二模型;
模型调整模块440,用于将预设的可解释性模型与所述第二模型进行结合,得到目标模型。
在本发明的一个实施例中,输入数据构建模块420包括:
目标参数获取子模块,用于确定所述临床变量中表征TACE治疗效果的目标参数包括肝癌患者的活动状态参数和所述肝癌患者的肝硬化参数;
平均直径获取子模块,用于获取所述CT图像中病灶的平均直径;
对比参数获取子模块,用于从所述CT图像中获取表征所述病灶区域与所述正常区域之间强化程度的对比参数;
目标输入数据构建子模块,用于基于所述活动状态参数、所述肝硬化参数、所述平均直径和所述对比参数构建目标输入数据。
在本发明的一个实施例中,对比参数获取子模块包括:
目标CT值获取单元,用于从所述CT图像中获取所述病灶区域与所述正常区域分别在平扫期、动脉期和门静脉期的多个目标CT值;
对比参数获取单元,用于基于所述多个目标CT值计算表征所述病灶区域与所述正常区域之间强化程度的对比,作为对比参数。
在本发明的一个实施例中,目标CT值获取单元包括:
感兴趣区域确定子单元,用于对所述CT图像中的所述病灶区域和所述正常区域分别圈选出具有相同大小的感兴趣区域,作为病灶感兴趣区域和正常肝实质感兴趣区域;
目标CT值获取子单元,用于获取所述病灶感兴趣区域在平扫期、动脉期和门静脉期的CT值以及所述正常肝实质感兴趣区域在平扫期、动脉期和门静脉期的CT值,得到多个目标CT值。
在本发明的一个实施例中,对比参数获取单元包括:
动脉增强比计算子单元,用于根据所述病灶区域和所述正常区域在平扫期、动脉期的目标CT值,计算得到动脉增强比,所述动脉增强比为表征病灶相对于正常肝实质在动脉期的增强指标;
门静脉增强比计算子单元,用于根据所述病灶区域和所述正常区域在平扫期、门静脉期的目标CT值,计算得到门静脉增强比,所述门静脉增强比为表征病灶相对于正常肝实质在门静脉期的增强指标;
动脉门静脉增强比计算子单元,用于计算所述动脉增强比与所述门静脉增强比之间的比值,作为动脉门静脉增强比,所述动脉门静脉增强比为表征病灶相对于正常肝实质在动脉期和门静脉期的增强指标;
对比参数确认子单元,用于汇总所述动脉增强比、所述门静脉增强比和所述动脉门静脉增强比,作为对比参数。
在本发明的一个实施例中,模型训练模块430包括:
第一模型确定子模块,用于确定预设的第一模型为随机森林模型,预设的收敛条件包括训练迭代次数阈值、准确率阈值;
第二模型确定子模块,用于将所述目标输入数据输入所述随机森林模型中进行模型训练,直到所述随机森林模型满足所述训练迭代次数阈值或满足所述准确率阈值,则确定所述随机森林模型训练结束,得到第二模型。
在本发明的一个实施例中,模型调整模块440包括:
模型可视化子模块,用于将预设的可解释性模型与所述第二模型的输出层结合,使得所述可解释性模型对所述输出层输出的特征结果进行重要程度的可视化展示,得到具有可解释性的目标模型。
本发明实施例所提供的构建目标模型的装置可执行本发明任意实施例所提供的目标模型的构建方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种治疗效果的预测装置的结构框图,具体可以包括如下模块:
初始数据获取模块510,用于获取肝癌患者的临床变量和CT图像,所述肝癌患者为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
特征数据获取模块520,用于从所述临床变量和所述CT图像中获取得到表征所述肝癌患者TACE治疗效果的特征数据;
模型确定模块530,用于根据本发明任意实施例所提供的目标模型的构建方法确定目标模型;
预测模块540,用于将所述特征数据输入至所述目标模型中,输出针对所述肝癌患者TACE治疗效果的预测结果。
本发明实施例所提供的治疗效果的预测装置可执行本发明任意实施例所提供的治疗效果的预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例五提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图6显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例所提供的目标模型的构建方法或实现本发明任意实施例所提供的治疗效果的预测方法。
实施例六
本发明实施例六还提供一种计算机可读存储介质,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执行时实现上述目标模型的构建方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种目标模型的构建方法,所述目标模型用于预测肝癌患者TACE治疗的效果,其特征在于,所述方法包括:
获取样本集的临床变量和CT图像,所述样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
根据所述临床变量中表征TACE治疗效果的目标参数和所述CT图像构建目标输入数据;
对预设的第一模型基于所述目标输入数据进行模型训练,直到所述第一模型满足预设的收敛条件则确定所述第一模型训练结束,得到第二模型;
将预设的可解释性模型与所述第二模型进行结合,得到目标模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述临床变量中表征TACE治疗效果的目标参数和所述CT图像构建目标输入数据,包括:
确定所述临床变量中表征TACE治疗效果的目标参数包括肝癌患者的活动状态参数和所述肝癌患者的肝硬化参数;
获取所述CT图像中病灶的平均直径;
从所述CT图像中获取表征所述病灶区域与正常区域之间强化程度的对比参数;
基于所述活动状态参数、肝硬化参数、平均直径和对比参数构建目标输入数据。
3.根据权利要求2所述的方法,其特征在于,所述从所述CT图像中获取表征所述病灶区域与正常区域之间强化程度的对比参数,包括:
从所述CT图像中获取所述病灶区域与正常区域分别在平扫期、动脉期和门静脉期的多个目标CT值;
基于所述多个目标CT值计算表征所述病灶区域与正常区域之间强化程度的对比,作为对比参数。
4.根据权利要求3所述的方法,其特征在于,所述从所述CT图像中获取所述病灶区域与正常区域分别在平扫期、动脉期和门静脉期的多个目标CT值,包括:
对所述CT图像中的所述病灶区域和正常区域分别圈选出具有相同大小的区域,作为病灶感兴趣区域和正常肝实质感兴趣区域;
获取所述病灶感兴趣区域在平扫期、动脉期和门静脉期的CT值以及所述正常肝实质感兴趣区域在平扫期、动脉期和门静脉期的CT值,得到多个目标CT值。
5.根据权利要求3或4所述的方法,其特征在于,所述基于所述多个目标CT值计算表征所述病灶区域与正常区域之间强化程度的对比,作为对比参数,包括:
根据所述病灶区域和正常区域在平扫期、动脉期的目标CT值,计算得到动脉增强比,所述动脉增强比为表征病灶相对于正常肝实质在动脉期的增强指标;
根据所述病灶区域和正常区域在平扫期、门静脉期的目标CT值,计算得到门静脉增强比,所述门静脉增强比为表征病灶相对于正常肝实质在门静脉期的增强指标;
计算所述动脉增强比与所述门静脉增强比之间的比值,作为动脉门静脉增强比,所述动脉门静脉增强比为表征病灶相对于正常肝实质在动脉期和门静脉期的增强指标;
汇总所述动脉增强比、所述门静脉增强比和所述动脉门静脉增强比,作为对比参数。
6.根据权利要求1或2或3或4所述的方法,其特征在于,所述对预设的第一模型基于所述目标输入数据进行模型训练,直到所述第一模型满足预设的收敛条件则确定所述第一模型训练结束,得到第二模型,包括:
确定预设的第一模型为随机森林模型,预设的收敛条件包括训练迭代次数阈值、准确率阈值;
将所述目标输入数据输入所述随机森林模型中进行模型训练,直到所述随机森林模型满足所述训练迭代次数阈值或满足所述准确率阈值,则确定所述随机森林模型训练结束,得到第二模型;
所述将预设的可解释性模型与所述第二模型进行结合,得到目标模型,包括:
将预设的可解释性模型与所述第二模型的输出层结合,使得所述可解释性模型对所述输出层输出的特征结果进行重要程度的可视化展示,得到具有可解释性的目标模型。
7.一种治疗效果的预测方法,所述预测方法用于预测肝癌患者TACE治疗的效果,其特征在于,所述方法包括:
获取肝癌患者的临床变量和CT图像,所述肝癌患者为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
从所述临床变量和所述CT图像中获取得到表征所述肝癌患者TACE治疗效果的特征数据;
根据权利要求1-6中任一项所述的构建方法确定目标模型;
将所述特征数据输入至所述目标模型中,输出针对所述肝癌患者TACE治疗效果的预测结果。
8.一种构建目标模型的装置,其特征在于,包括:
样本数据获取模块,用于获取样本集的临床变量和CT图像,所述样本集为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
输入数据构建模块,用于根据所述临床变量中表征TACE治疗效果的目标参数和所述CT图像构建目标输入数据;
模型训练模块,用于对预设的第一模型基于所述目标输入数据进行模型训练,直到所述第一模型满足预设的收敛条件则确定所述第一模型训练结束,得到第二模型;
模型调整模块,用于将预设的可解释性模型与所述第二模型进行结合,得到目标模型。
9.一种治疗效果的预测装置,所述预测装置用于预测肝癌患者TACE治疗的效果,其特征在于,所述预测装置包括:
初始数据获取模块,用于获取肝癌患者的临床变量和CT图像,所述肝癌患者为已接受至少一次TACE治疗的肝癌患者,CT图像包括所述肝癌患者的肝实质的病灶区域和正常区域;
特征数据获取模块,用于从所述临床变量和所述CT图像中获取得到表征所述肝癌患者TACE治疗效果的特征数据;
模型确定模块,用于根据权利要求1-6中任一项所述的构建方法确定目标模型;
预测模块,用于将所述特征数据输入至所述目标模型中,输出针对所述肝癌患者TACE治疗效果的预测结果。
10.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的目标模型的构建方法或者如权利要求7中所述的治疗效果的预测方法。
11.一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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的目标模型的构建方法或者如权利要求7中所述的治疗效果的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592555.5A CN117562504A (zh) | 2023-11-27 | 2023-11-27 | 目标模型的构建方法、治疗效果的预测方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592555.5A CN117562504A (zh) | 2023-11-27 | 2023-11-27 | 目标模型的构建方法、治疗效果的预测方法以及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117562504A true CN117562504A (zh) | 2024-02-20 |
Family
ID=89884082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311592555.5A Pending CN117562504A (zh) | 2023-11-27 | 2023-11-27 | 目标模型的构建方法、治疗效果的预测方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117562504A (zh) |
-
2023
- 2023-11-27 CN CN202311592555.5A patent/CN117562504A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210322102A1 (en) | Systems and methods of processing images to determine patient-specific plaque progression based on the processed images | |
Tesche et al. | Coronary CT angiography–derived fractional flow reserve: machine learning algorithm versus computational fluid dynamics modeling | |
US20220277446A1 (en) | Methods and systems for assessing image quality in modeling of patient anatomic or blood flow characteristics | |
US11672497B2 (en) | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking | |
Ko et al. | Noninvasive CT-derived FFR based on structural and fluid analysis: a comparison with invasive FFR for detection of functionally significant stenosis | |
AU2017200000B2 (en) | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance | |
US20230237654A1 (en) | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking | |
Hoey et al. | Dual-energy CT angiography for assessment of regional pulmonary perfusion in patients with chronic thromboembolic pulmonary hypertension: initial experience | |
JP5081390B2 (ja) | 腫瘍量を監視する方法及びシステム | |
US20180315505A1 (en) | Optimization of clinical decision making | |
US10522253B2 (en) | Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging | |
US10275946B2 (en) | Visualization of imaging uncertainty | |
Van Hamersvelt et al. | Diagnostic performance of on-site coronary CT angiography–derived fractional flow reserve based on patient-specific lumped parameter models | |
US10909676B2 (en) | Method and system for clinical decision support with local and remote analytics | |
Rava et al. | Effect of computed tomography perfusion post-processing algorithms on optimal threshold selection for final infarct volume prediction | |
CN109727660B (zh) | 在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测 | |
CN117562504A (zh) | 目标模型的构建方法、治疗效果的预测方法以及相关装置 | |
AU2022331570A1 (en) | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking | |
Guo et al. | Diagnostic and prognostic performance of artificial intelligence-based fully-automated on-site CT-FFR in patients with CAD | |
Olender | Computational processing and modeling of intravascular images precisely couple arterial morphology and biomechanics | |
Koa et al. | Accepted and Published: JACC Cardiovasc Imaging. 2017 Apr; 10 (4): 498-499 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |