CN117711615A - 基于影像组学的淋巴结转移状态分类预测方法及设备 - Google Patents
基于影像组学的淋巴结转移状态分类预测方法及设备 Download PDFInfo
- Publication number
- CN117711615A CN117711615A CN202311485571.4A CN202311485571A CN117711615A CN 117711615 A CN117711615 A CN 117711615A CN 202311485571 A CN202311485571 A CN 202311485571A CN 117711615 A CN117711615 A CN 117711615A
- Authority
- CN
- China
- Prior art keywords
- image
- lymph node
- node metastasis
- histology
- prediction
- 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
- 208000007433 Lymphatic Metastasis Diseases 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 48
- 208000002154 non-small cell lung carcinoma Diseases 0.000 claims abstract description 54
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 claims abstract description 35
- 239000002131 composite material Substances 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000011282 treatment Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 16
- 206010028980 Neoplasm Diseases 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000000391 smoking effect Effects 0.000 claims description 5
- 230000009545 invasion Effects 0.000 claims description 4
- 230000003902 lesion Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000012636 positron electron tomography Methods 0.000 description 21
- 238000012360 testing method Methods 0.000 description 13
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 7
- 201000005202 lung cancer Diseases 0.000 description 7
- 208000020816 lung neoplasm Diseases 0.000 description 7
- 206010027476 Metastases Diseases 0.000 description 6
- 230000009401 metastasis Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 210000001165 lymph node Anatomy 0.000 description 5
- 206010041067 Small cell lung cancer Diseases 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 208000000587 small cell lung carcinoma Diseases 0.000 description 2
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000013427 histology analysis Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 201000005249 lung adenocarcinoma Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 206010041823 squamous cell carcinoma Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及一种基于影像组学的淋巴结转移状态分类预测方法及设备，所述方法包括由计算机执行的以下步骤：获取非小细胞肺癌病例的PET和CT病灶区域分割图像；提取所述PET和CT病灶区域分割图像中的影像组学特征，该影像组学特征为经第一特征优化处理确定的与非小细胞肺癌淋巴结转移状态关联度最高的特征；获取非小细胞肺癌病例的临床数据，从所述临床数据提取临床特征，该临床特征为经第二特征优化处理确定的与非小细胞肺癌淋巴结转移状态关联度最高的特征；融合所述影像组学特征和临床特征构建预测特征，以所述预测特征作为经训练的复合预测模型的输入，获得淋巴结转移状态分类的预测结果。与现有技术相比，本发明具有准确性高等优点。
Description
技术领域
本发明涉及计算机辅助医学领域，尤其是涉及一种基于影像组学的淋巴结转移状态分类预测方法及设备。
背景技术
肺癌是全球最常见的癌症之一，也是导致人类相关死亡的原因之一。近年来，全球各地肺癌的发病率和死亡率还是居高不下，而且都有明显升高的趋势。肺癌的发病率和死亡率都很高，而且肺癌的预后比较差，其五年的生存率低于15％。肺癌分为非小细胞肺癌(Non-small cell lung cancer,NSCLC)和小细胞肺癌(Small cell lung cancer,SCLC)两种类型，其中NSCLC在肺癌中约占85％左右，而且其发病率在全球范围内不断上升。随着医疗水平的逐步提高，在NSCLC治疗方面有了明显的进步。然而，NSCLC的生存率并未得到明显的提高。临床上I期NSCLC治疗预后的5年生存率可达60％～80％，但对于完全切除治疗的复发率仍然达25％～50％。而且早期NSCLC的临床症状不会明显地体现出来，所以会导致其早期诊断困难。
非小细胞肺癌具有易复发、易转移的特点，其治疗方式主要由TNM(Tumor,LymphNode,Metastasis)分期系统确定。淋巴结转移是肺癌TNM分期的关键指标，术前对NSCLC患者淋巴结转移的诊断鉴别为患者治疗方案的确定提供非常有价值的信息，从而帮助临床医生做出更优的决策，对患者疾病的预后也起到重要的影响。以前评估非小细胞肺癌淋巴结转移的方法都是基于CT和PET扫描的诊断成像以及活检等，但CT和PET扫描的诊断成像方法的预测分类能力相关较低，特异度和敏感度较差，活检方法会对患者产生不必要的负面影响。
当前，传统的医学影像分析只能定性分析非小细胞肺癌的淋巴结转移状况，而无法突破实体肿瘤的空间和时间异质性而所带来的难以探测的限制，并且无法挖掘到图像中更多的可预测病变状态的信息。因此，需要研究一种新的医学影像分析方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于影像组学的淋巴结转移状态分类预测方法及设备。
本发明的目的可以通过以下技术方案来实现：
一种基于影像组学的淋巴结转移状态分类预测方法，包括由计算机执行的以下步骤：
获取非小细胞肺癌病例的PET和CT病灶区域分割图像，所述病灶区域分割图像从非小细胞肺癌病例的PET和CT影像数据中分割获得；
提取所述PET和CT病灶区域分割图像中的影像组学特征，该影像组学特征为经第一特征优化处理确定的与非小细胞肺癌淋巴结转移状态关联度最高的特征；
获取非小细胞肺癌病例的临床数据，从所述临床数据提取临床特征，该临床特征为经第二特征优化处理确定的与非小细胞肺癌淋巴结转移状态关联度最高的特征；
融合所述影像组学特征和临床特征构建预测特征，以所述预测特征作为经训练的复合预测模型的输入，获得淋巴结转移状态分类的预测结果。
进一步地，所述PET和CT病灶区域分割图像基于ITK-Snap获取。
进一步地，所述影像组学特征基于python软件和Pyradiomics开源软件包提取。
进一步地，所述影像组学特征包括形态学特征、强度特征、纹理特征和高阶特征。
进一步地，所述第一特征优化处理包括数据平衡化处理、标准化处理和特征筛选处理。
进一步地，所述特征筛选处理具体包括：
使用最大相关最小冗余分析方法进行初步筛选，获得初始显著相关特征；
采用套索正则化回归算法对所述初始显著相关特征进行特征降维，获得最终的影像组学特征。
进一步地，所述第二特征优化处理包括逻辑回归分析处理。
进一步地，所述复合预测模型经逻辑回归分类器训练获得。
进一步地，所述临床数据包括性别、年龄、吸烟史、肿瘤位置、组织学、组织病理分级和发生胸膜侵犯状态。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于影像组学的淋巴结转移状态分类预测方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明提出了一个新的基于影像组学特征的风险评分预测标志，通过结合临床特征来全面地考虑对非小细胞肺癌淋巴结转移具有显著影响的多种因素，不仅有利于寻找有效的预测生物标志物，也有利于提高预测标签在预测淋巴结转移状态的准确度。本发明构建了一个结合了影像组学特征和临床因素特征的预测模型，能够进一步提高对非小细胞肺癌患者淋巴结转移状况的预测准确率。
2、本发明采用最大相关最小冗余和套索正则化回归算法相结合的特征筛选方法，对于影像组学特征的大量数据，先通过最大相关最小冗余分析筛选出与预测淋巴结转移状态显著相关的特征；然后使用套索正则化回归方法进一步筛选出对预测模型贡献较大的特征，这样的筛选方法过滤了大量的冗余变量，去除无关噪声和冗余信息对预测模型的干扰，有效避免模型的过拟合，能够有效提取出具有重要价值的预测特征，也能够提高基于影像组学特征的预测模型在预测淋巴结转移状态的准确度。同时，本发明在结合临床特征时，也对特征进行优化处理，进一步提升了预测的准确度。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例中两个CT图像的感兴趣区域勾画图和3D重建图；
图3为本发明实施例中的基于影像组学特征的NSCLC淋巴结转移预测模型在训练组和测试组中的性能评估的结果图；
图4为本发明实施例中的基于影像组学特征和临床特征的NSCLC淋巴结转移复合预测模型在训练组和测试组中的性能评估的结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
随着影像组学的发展，基于传统的定性成像分析正逐渐演变为基于影像组学特征的定量分析阶段，而基于影像组学特征建立的预测模型可用于预测非小细胞淋巴结转移状态。近年来，有关影像组学所建立的预测模型的许多研究都表明了利用影像组学方法从医学影像中提取的影像组学特征信息在肿瘤患者疾病状态预测预后方面的作用，综合影像组学和临床信息构建的预测模型将有助于理解疾病内部的发展过程和治疗过程，在临床上提供临床决策支持，并可以成为非小细胞肺癌淋巴结转移的新的潜在的预测标志物。本发明通过构建影像组学预测模型分析非小细胞肺癌PET和CT影像并提取反映淋巴结转移相关的重要特征信息，以实现对淋巴结转移状态的精准预测。
如图1所示，本实施例提供的基于影像组学的淋巴结转移状态分类预测方法，包括由计算机实施的以下步骤：
步骤1，获取收集的非小细胞肺癌病例相应的PET和CT影像数据以及临床信息和淋巴结转移状态标签信息。
本实施例中，共计211例入组病例由病理活检诊断为非小细胞肺癌，且在确诊前均经历过至少一次的术前PET和CT影像学检查，最后获取了171例符合研究纳入标准的癌症病例样本。其中所选病例的纳入标准为：(1)年龄均大于18周岁，肺已发育完全，可以避免其他因素干扰；(2)病理诊断为非小细胞肺癌且已确定其淋巴结转移情况；(3)有完整的CT图像和个人的基本信息；(4)术前经相关检查淋巴结无远处转移；排除标准为：(1)术前接受过放疗或化疗等治疗；(2)没有明确的病理分期；(3)PET/CT图像质量不佳，勾画病灶感兴趣区有困难，不能用作影像组学分析。
本实施例中所构建的训练数据采用的非小细胞肺癌病例由肺腺癌和肺鳞癌共同组成，数据包括TCIA公共数据集采集的训练集数据和胸科医院采集的测试集数据。
步骤2，获取二维平面肿瘤区域，构建三维图，如图2所示，并从中截取非小细胞肺癌PET和CT影像中病灶区域，获得其分割图像。其中，二维平面肿瘤区域可为由具有多年临床影像诊断经验的核医学科医生使ITK-Snap勾画出的非小细胞肺癌PET和CT影像中病灶区域。
本实施例中，整个勾画是由两名具有10年以上临床影像诊断经验的核医学科医生来完成的，最后由有20年经验以上的主任医生来进行复查，而且是在医生们都不知道所有患者的实际病理诊断结果，以及病灶位置和体积大小的前提下进行勾画的。
步骤3，使用python软件和Pyradiomics开源软件包分别从基于CT和PET图像分割的肿瘤病灶区域中自动计算并提取出影像组学特征。
在本实施例中，采用Pyradiomics开源软件包对每一个病例的CT图像和PET图像分别进行独立的影像组学特征计算，CT图像的BinWidth设置为256，PET图像的Bin Width设置为128，然后分别提取出1470个影像组学特征，包括形态学特征、强度特征、纹理特征和高阶特征，具体的特征类型及名称如表1所示。
表1实验中所提取的特征类型及名称
步骤4，基于获得的特征数据进行预测特征优化处理，包括利用SMOTE算法、归一化和标准化算法和最大相关最小冗余和套索正则化回归算法进行特征优化，来选出预测非小细胞肺癌淋巴结转移的最具价值的影像组学特征集。本实施例中，利用SMOTE算法进行数据平衡化处理，使训练集中的正负样本比例均衡化，再利用最大相关最小冗余和套索正则化回归算法进行特征优化，来选出预测非小细胞肺癌淋巴结转移的最具价值的影像组学特征集，去除无关噪声和冗余信息对预测模型的干扰，有效避免模型的过拟合。
特征优化中，首先，使用最大相关最小冗余分析方法初步筛选出特征数据中与淋巴结转移预测标签显著相关的特征，一共筛选到100个影像组学特征；然后为了进一步减少特征的范围，本实施例在训练集(n＝127)中使用套索正则化回归算法进行特征降维，以筛选出对淋巴结转移状态分类预测贡献价值较大的特征，筛选结果如表2所示。
表2基于PET/CT图像特征优化后的非零系数影像组学特征
步骤5，使用逻辑回归分类器训练并验证预测非小细胞肺癌淋巴结转移的分类模型，最终建立预测非小细胞肺癌淋巴结转移的PET/CT影像组学模型。
图3为本发明实施例中的NSCLC淋巴结转移预测模型在训练组和测试组中的性能评估的结果图。如图3所示，本实施例使用ROC曲线来评估模型预测非小细胞肺癌淋巴结转移的性能并进行了验证，而且计算出预测模型的准确性(Accuracy,ACC)、受试者操作特性曲线(Receiver Operative Characteristic Curve,ROC)下面积(Area Under Curve,AUC)、特异性(Specificity,SPE)、敏感性(Sensitivity,SEN)等模型性能指标，为了使获得的影像组学模型有很好的泛化能力，并在测试组中对所建立预测NSCLC影像组学模型的效用进行评估和验证。结果显示三组模型在训练集和测试集中的预测鉴别性能良好，并且具有较好的一致性。PET/CT影像组学模型在训练集中的ROC曲线下面积AUC值为0.94(95％CI：0.91～0.97)在测试集中的ROC曲线下面积AUC值为0.90(95％CI：0.85～0.95)，95％CI表示95％的置信空间。在最大约登指数下对应的模型准确度(ACC)、特异度(SPE)、敏感度(SEN)的性能指标如下表3所示。如结果所示，这表明本发明所构建的影像组学预测模型具有较好的预测能力。
表3基于PET/CT影像组学模型的预测性能
步骤6，结合影像组学特征和临床特征，建立复合预测模型，并进行模型验证和评估。
对临床因素数据(性别、年龄、吸烟史、肿瘤位置(上下)、肿瘤位置(左右)、组织学、组织病理分级和胸膜侵犯状态)进行单、多因素逻辑回归分析，筛选出与预测淋巴结转移相关的独立预测因子。本实施例中，单因素逻辑回归分析结果如表4所示，结果表明性别、吸烟史、肿瘤位置(上下)、肿瘤位置(左右)、胸膜侵犯对预测NSCLC淋巴结转移具有统计学意义(P<0.1)。多因素逻辑回归分析结果如表5所示，结果表明吸烟史、肿瘤位置(左右)和胸膜侵犯3个特征具有统计学意义(P<0.05)。因此，这三个临床因素可以作为独立预测因子。
表4单因素逻辑回归预测NSCLC淋巴结转移的临床因素结果
表5多因素逻辑回归预测NSCLC淋巴结转移的临床因素结果
进一步地，将筛选出的PET/CT影像组学特征与临床特征相结合，建立复合预测模型，图4为本发明实施例中的NSCLC淋巴结转移复合预测模型在训练组和测试组中的性能评估的结果图。如图4所示，所建立的复合模型在训练集和测试集上呈现出良好地预测NSCLC淋巴结转移的能力，其中由计算得出复合模型训练集的AUC值为0.95(95％CI:0.82-0.98)，测试集AUC值为0.93(95％CI:0.89-0.97)。对上述的PET/CT影像组学模型和PET/CT影像组学联合临床特征复合模型两种模型之间进行Delong测试，结果显示复合模型的AUC值略高于影像组学模型的AUC值，但是两个模型间的AUC值无统计学差异(P＝0.087)，如表6所示。复合模型训练集和测试集的AUC值、准确度、敏感度和特异度这些性能指标结果如表7所示。结果表明，复合预测模型在预测淋巴结转移的诊断性能的AUC值为0.93，比起前面所提到的影像组学模型(AUC＝0.90)，其预测效能有了较为显著的提升。
表6两组模型间的DeLong测试结果
表7复合模型预测NSCLC淋巴结转移的诊断性能
综上所述，本发明实施例通过影像组学特征和临床特征数据筛选淋巴结转移相关特征，并基于淋巴结转移相关特征构建了新的预测模型，以实现准确预测非小细胞肺癌患者淋巴结转移的目的；相较于基于单影像组学的预测模型而言，本方法加入了临床特征数据，更加全面地考虑了影响NSCLC淋巴结转移的因素，能够更有效地找到预测因子，并提高模型的预测准确度。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在另一实施方式中，还提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于影像组学的淋巴结转移状态分类预测方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于影像组学的淋巴结转移状态分类预测方法，其特征在于，包括由计算机执行的以下步骤：
获取非小细胞肺癌病例的PET和CT病灶区域分割图像，所述病灶区域分割图像从非小细胞肺癌病例的PET和CT影像数据中分割获得；
提取所述PET和CT病灶区域分割图像中的影像组学特征，该影像组学特征为经第一特征优化处理确定的与非小细胞肺癌淋巴结转移状态关联度最高的特征；
获取非小细胞肺癌病例的临床数据，从所述临床数据提取临床特征，该临床特征为经第二特征优化处理确定的与非小细胞肺癌淋巴结转移状态关联度最高的特征；
融合所述影像组学特征和临床特征构建预测特征，以所述预测特征作为经训练的复合预测模型的输入，获得淋巴结转移状态分类的预测结果。
2.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法，其特征在于，所述PET和CT病灶区域分割图像基于ITK-Snap获取。
3.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法，其特征在于，所述影像组学特征基于python软件和Pyradiomics开源软件包提取。
4.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法，其特征在于，所述影像组学特征包括形态学特征、强度特征、纹理特征和高阶特征。
5.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法，其特征在于，所述第一特征优化处理包括数据平衡化处理、标准化处理和特征筛选处理。
6.根据权利要求5所述的基于影像组学的淋巴结转移状态分类预测方法，其特征在于，所述特征筛选处理具体包括：
使用最大相关最小冗余分析方法进行初步筛选，获得初始显著相关特征；
采用套索正则化回归算法对所述初始显著相关特征进行特征降维，获得最终的影像组学特征。
7.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法，其特征在于，所述第二特征优化处理包括逻辑回归分析处理。
8.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法，其特征在于，所述复合预测模型经逻辑回归分类器训练获得。
9.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法，其特征在于，所述临床数据包括性别、年龄、吸烟史、肿瘤位置、组织学、组织病理分级和发生胸膜侵犯状态。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述基于影像组学的淋巴结转移状态分类预测方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485571.4A CN117711615A (zh) | 2023-11-09 | 2023-11-09 | 基于影像组学的淋巴结转移状态分类预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485571.4A CN117711615A (zh) | 2023-11-09 | 2023-11-09 | 基于影像组学的淋巴结转移状态分类预测方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117711615A true CN117711615A (zh) | 2024-03-15 |
Family
ID=90152303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311485571.4A Pending CN117711615A (zh) | 2023-11-09 | 2023-11-09 | 基于影像组学的淋巴结转移状态分类预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117711615A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117954099A (zh) * | 2024-03-26 | 2024-04-30 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种乳腺癌风险预测方法、装置、设备和存储介质 |
-
2023
- 2023-11-09 CN CN202311485571.4A patent/CN117711615A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117954099A (zh) * | 2024-03-26 | 2024-04-30 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种乳腺癌风险预测方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fuhrman et al. | A review of explainable and interpretable AI with applications in COVID‐19 imaging | |
| Xu et al. | Application of radiomics in predicting the malignancy of pulmonary nodules in different sizes | |
| Zhou et al. | Use of radiomics based on 18 F-FDG PET/CT and machine learning methods to aid clinical decision-making in the classification of solitary pulmonary lesions: an innovative approach | |
| Xu et al. | Combining DWI radiomics features with transurethral resection promotes the differentiation between muscle-invasive bladder cancer and non-muscle-invasive bladder cancer | |
| Alksas et al. | A novel computer-aided diagnostic system for accurate detection and grading of liver tumors | |
| Rezaeijo et al. | Screening of COVID-19 based on the extracted radiomics features from chest CT images | |
| Osuala et al. | Data synthesis and adversarial networks: A review and meta-analysis in cancer imaging | |
| Lu et al. | Multi-window CT based Radiomic signatures in differentiating indolent versus aggressive lung cancers in the National Lung Screening Trial: a retrospective study | |
| CN117711615A (zh) | 基于影像组学的淋巴结转移状态分类预测方法及设备 | |
| Shen et al. | Multiclassifier fusion based on radiomics features for the prediction of benign and malignant primary pulmonary solid nodules | |
| Gao et al. | Attention‐based deep learning for the preoperative differentiation of axillary lymph node metastasis in breast cancer on DCE‐MRI | |
| CN114066882A (zh) | 一种基于深度影像组学的肺腺癌Ki67表达水平无创检测方法及装置 | |
| Oikonomou et al. | Histogram-based models on non-thin section chest CT predict invasiveness of primary lung adenocarcinoma subsolid nodules | |
| Bassi et al. | Role of radiomics in predicting lung cancer spread through air spaces in a heterogeneous dataset | |
| Zhang et al. | Predicting breast cancer types on and beyond molecular level in a multi-modal fashion | |
| Zhu et al. | A computerized tomography-based radiomic model for assessing the invasiveness of lung adenocarcinoma manifesting as ground-glass opacity nodules | |
| Li et al. | Application values of 2D and 3D radiomics models based on CT plain scan in differentiating benign from malignant ovarian tumors | |
| Cui et al. | CT-based radiomics for the preoperative prediction of the muscle-invasive status of bladder cancer and comparison to radiologists' assessment | |
| Dahlblom et al. | Artificial intelligence detection of missed cancers at digital mammography that were detected at digital breast tomosynthesis | |
| Gurbani et al. | Evaluation of radiomics and machine learning in identification of aggressive tumor features in renal cell carcinoma (RCC) | |
| Bhende et al. | [Retracted] Attention Layer‐Based Multidimensional Feature Extraction for Diagnosis of Lung Cancer | |
| Xu et al. | CT-based radiomics signature for preoperative prediction of coagulative necrosis in clear cell renal cell carcinoma | |
| Song et al. | CT-based deep learning radiomics nomogram for the prediction of pathological grade in bladder cancer: a multicenter study | |
| Haidey et al. | Radiomics-based approaches outperform visual analysis for differentiating lipoma from atypical lipomatous tumors: a review | |
| yahia Ibrahim et al. | An enhancement technique to diagnose colon and lung cancer by using double CLAHE and deep learning |
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 |