CN117789972B - 一种乳腺癌复发预测模型的构建方法及其预测系统 - Google Patents
一种乳腺癌复发预测模型的构建方法及其预测系统 Download PDFInfo
- Publication number
- CN117789972B CN117789972B CN202410199214.XA CN202410199214A CN117789972B CN 117789972 B CN117789972 B CN 117789972B CN 202410199214 A CN202410199214 A CN 202410199214A CN 117789972 B CN117789972 B CN 117789972B
- Authority
- CN
- China
- Prior art keywords
- serum
- sers spectrum
- treatment
- layer
- breast cancer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 158
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 158
- 238000010276 construction Methods 0.000 title claims description 12
- 210000002966 serum Anatomy 0.000 claims abstract description 226
- 238000000479 surface-enhanced Raman spectrum Methods 0.000 claims abstract description 212
- 238000011282 treatment Methods 0.000 claims abstract description 150
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 131
- 238000002203 pretreatment Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 claims abstract description 20
- 230000003247 decreasing effect Effects 0.000 claims description 29
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 206010027476 Metastases Diseases 0.000 abstract description 15
- 230000009401 metastasis Effects 0.000 abstract description 15
- 238000012552 review Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000002980 postoperative effect Effects 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000011269 treatment regimen Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 description 12
- 238000001727 in vivo Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 7
- 238000001069 Raman spectroscopy Methods 0.000 description 6
- 238000001574 biopsy Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000009099 neoadjuvant therapy Methods 0.000 description 6
- 210000000481 breast Anatomy 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000009109 curative therapy Methods 0.000 description 4
- 238000002224 dissection Methods 0.000 description 4
- 210000001165 lymph node Anatomy 0.000 description 4
- 210000005005 sentinel lymph node Anatomy 0.000 description 4
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 238000011498 curative surgery Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 206010055113 Breast cancer metastatic Diseases 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 239000002671 adjuvant Substances 0.000 description 2
- 238000011226 adjuvant chemotherapy Methods 0.000 description 2
- 238000009260 adjuvant endocrine therapy Methods 0.000 description 2
- 238000011353 adjuvant radiotherapy Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000084 colloidal system Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000011888 foil Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000683 nonmetastatic effect Effects 0.000 description 2
- 230000005311 nuclear magnetism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000002626 targeted therapy Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010006198 Breast cancer recurrent Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- FOIXSVOLVBLSDH-UHFFFAOYSA-N Silver ion Chemical compound [Ag+] FOIXSVOLVBLSDH-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000010241 blood sampling 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
- 239000002872 contrast media Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000011528 liquid biopsy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011470 radical surgery Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及医疗保健信息学技术领域,公开一种乳腺癌复发预测模型的构建方法及其预测系统,包括:得到目标群体的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据;根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练乳腺癌复发预测模型。本发明采用高灵敏度的表面增强拉曼光谱技术,结合无需对输入数据提前进行繁琐预处理的基于自注意力的端到端深度学习模型框架,得到高精度的乳腺癌复发预测模型,可应用于乳腺癌患者术后定期复查过程,有效辅助医师真正了解患者体内肿瘤负荷量微量变化,在早期精准判断患者的复发转移,为患者制作具有针对性的治疗策略。
Description
技术领域
本发明涉及医疗保健信息学技术领域,尤其涉及一种乳腺癌复发预测模型的构建方法及其预测系统。
背景技术
乳腺癌的发病率在女性恶性肿瘤中居首位,2020年全球新诊断病例226万例,占全球女性新确诊癌症的24.5%,死亡人数为68万人,居世界第五位。
乳腺癌的早期诊断、早期治疗有助于改善患者的预后,但仍有约30%的乳腺癌患者在手术后出现复发转移。乳腺癌复发转移的出现时间从术后几个月到几年甚至十几年不等,因此乳腺癌患者需终身定期复查。目前经典的复查方法为影像学检查,如彩超、CT、核磁等,复查间隔时间为每6-12个月一次。此类复查方法有其固有的缺点:彩超有明显的操作者依赖特性,主观性强,客观性不足;尽管CT客观性强,但具有较强的辐射性,并且中国乳腺癌患者平均发病年龄较西方女性年轻10岁,终身复查CT造成的累积辐射剂量严重超标;核磁虽无放射性,但往往需要增强扫描,耗时较长(约40分钟),性价比不高,且造影剂过敏、体内金属植入物限制了该检查的应用。另外,复发转移病灶需达到一定体积后才有可能被影像学检查发现,因此,目前的影像学检查无法较早提示肿瘤的复发转移。
应用血清/血浆样本检测乳腺癌复发的“液体活检”技术如肿瘤标记物、循环肿瘤细胞(CTC)、循环肿瘤DNA(ctDNA)等检测方法也曾用于乳腺癌的复发转移监测,但肿瘤标记物在肿瘤复发转移初期通常不升高,仅当肿瘤负荷量非常大时才会升高,而当肿瘤标记物升高时,患者的肿瘤在影像学检查上已经非常明显,或者已经出现了明显的症状,因此肿瘤标记物无法起到及早发现复发转移的作用;CTC和ctDNA的检测价格昂贵,且敏感性和特异性均不高,限制了其在随访监测中的广泛应用。
因此,亟需一种乳腺癌复发预测模型的构建方法,用于在出现影像学表现之前预测患者体内肿瘤负荷微量变化,早期预警乳腺癌的复发转移,为治疗赢得时间。
发明内容
本发明提供一种乳腺癌复发预测模型的构建方法及其预测系统,用以解决现有技术无法准确反映瘤负荷的真实状况,难以提前预测乳腺癌患者未来是否会复发的缺陷。
本发明提供一种乳腺癌复发预测模型的构建方法,包括:
得到目标群体的治疗前血清SERS(surface-enhanced Raman scattering,表面增强拉曼散射)光谱数据和治疗后血清SERS光谱数据,其中,目标群体为乳腺癌患者,治疗前血清SERS光谱数据和治疗后血清SERS光谱数据分别具有对应的肿瘤负荷量标签;
根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型。
需要说明的是,获得乳腺癌患者治疗前后血清SERS光谱数据,可以通过检测经空心针穿刺活检病理证实的非转移性乳腺癌患者根治性治疗前(体内肿瘤负荷量大)血清SERS光谱数据和根治性治疗后(体内肿瘤负荷小)血清SERS光谱数据得到。“根治性治疗”包括但不限于各种乳腺癌根治性手术,例如保乳术联合前哨淋巴结活检或腋窝淋巴结清扫、乳房全切术联合前哨淋巴结活检或腋窝淋巴结清扫±同期乳房再造等;对于接受新辅助治疗的乳腺癌患者,“根治性治疗”包括新辅助治疗及前述根治性手术;辅助化疗、辅助内分泌治疗、辅助靶向治疗、辅助放疗归为后续的“随访期”。
具体的,可以将10微升银胶体与10微升血清按1:1比例混合,在40℃下静置约1小时,吸取10微升混合物到铝箔上,自然干燥后,使用配备785 nm二极管激光器的拉曼显微光谱仪(ATR8300MP,Optosky Photonics Inc.,China)在400-1800cm-1范围内测量血清SERS光谱数据并收集。血清SERS光谱数据的肿瘤负荷量标签可以通过人工标签得到。
根据本发明提供的一种乳腺癌复发预测模型的构建方法,乳腺癌复发预测模型包括卷积层、自注意力(self-attention)层、多层感知器(Multilayer Perceptron,MLP)层,所述根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型,包括:
根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过卷积层提取治疗前血清SERS光谱特征和治疗后血清SERS光谱特征;
根据治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过自注意力层,结合光谱位置信息,学习肿瘤负荷微量变化的关系;
通过多层感知器层对自注意力层的学习结果进行非线性变换,将肿瘤负荷微量变化关系映射为肿瘤负荷量变大和肿瘤负荷量变小类别的概率。
根据本发明提供的一种乳腺癌复发预测模型的构建方法,卷积层包括一维卷积、批归一化(Batch Normalization,BN)层、激活层,所述根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过卷积层提取治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,包括:
根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过一维卷积利用卷积运算使卷积核从左到右遍历整条血清SERS光谱,得到治疗前血清SERS光谱特征和治疗后血清SERS光谱特征;
通过批归一化层对治疗前血清SERS光谱特征和治疗后血清SERS光谱特征进行规范化处理;
通过激活层,利用Tanh激活函数,对经过卷积运算的数据进行非线性变换。
根据本发明提供的一种乳腺癌复发预测模型的构建方法,自注意力层包括位置编码层和编码器层,编码器层包括层归一化(Layer normalization,LN)层、多头注意力机制层、全连接层、残差层,所述根据治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过自注意力层,结合光谱位置信息,学习肿瘤负荷微量变化的关系,包括:
将治疗前血清SERS光谱特征和治疗后血清SERS光谱特征分别加上相同长度的可训练的位置编码,以在治疗前血清SERS光谱特征和治疗后血清SERS光谱特征中增加SERS光谱位置信息;
通过层归一化层将神经网络中的隐藏层进行标准正态归一化;
根据携带位置编码的治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过多头注意力机制层学习肿瘤负荷微量变化的关系;
通过全连接层对多头注意力机制层的学习结果进行非线性变换;
通过残差层在多头注意力机制层和全连接层之间引入残差机制。
根据本发明提供的一种乳腺癌复发预测模型的构建方法,所述根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型,包括:
将目标群体的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据分为训练集和测试集;
根据训练集的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,采用基于自注意力的端到端深度学习模型框架,训练得到初始乳腺癌复发预测模型;
根据测试集的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,采用评价指标对初始乳腺癌复发预测模型的分类性能进行评价,并根据评价结果对初始乳腺癌复发预测模型进行优化,得到最终乳腺癌复发预测模型。
根据本发明提供的一种乳腺癌复发预测模型的构建方法,评价指标包括以下任一项或其任意组合:准确性、灵敏度、特异性,
其中,准确性的表达式为:
,
灵敏度的表达式为:
,
特异性的表达式为:
,
准确性、灵敏度、特异性的表达式中,TP 表示实际为阳性样本而预测结果也为阳性样本的个数,FN表示实际为阳性样本而预测结果为阴性样本的个数,FP表示实际为阴性样本而预测结果为阳性样本的个数,TN表示实际和预测结果均为阴性的样本数目。
本发明提供一种乳腺癌复发预测模型的构建系统,包括:
数据获取模块,用于:得到目标群体的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,其中,目标群体为乳腺癌患者,治疗前血清SERS光谱数据和治疗后血清SERS光谱数据分别具有对应的肿瘤负荷量标签;
模型训练模块,用于:根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型。
本发明提供一种肿瘤负荷微量变化预测系统,包括:
数据接收模块,用于:接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
预测模块,用于:根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过上述任一种所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率。
根据本发明提供一种肿瘤负荷微量变化预测系统,还包括:
判断模块,用于:当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率时,输出待测者存在乳腺癌复发可能的判断结果。
本发明还提供一种乳腺癌复发预测设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过上述任一种所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率。
根据本发明提供的一种乳腺癌复发预测设备,所述处理器执行所述程序时还实现以下步骤:
当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率,输出待测者存在乳腺癌复发可能的判断结果。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过上述任一种所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率。
根据本发明还提供的一种非暂态计算机可读存储介质,该计算机程序被处理器执行时还实现以下步骤:
当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率,输出待测者存在乳腺癌复发可能的判断结果。
本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行以下步骤:
接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过上述任一种所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,根据待测者体内的肿瘤负荷量的变化,输出待测者是否存在乳腺癌复发可能的预测结果。
根据本发明还提供的一种计算机程序产品,所述计算机程序被处理器执行时,计算机还能够执行以下步骤:
当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率,输出待测者存在乳腺癌复发可能的判断结果。
本发明提供的一种乳腺癌复发预测模型的构建方法及其预测系统,采用在生物医学特别是疾病血液检测领域具有较高检测灵敏度的表面增强拉曼光谱技术,结合不需要对输入数据提前进行繁琐预处理的基于自注意力的端到端深度学习模型框架,训练得到高精度的乳腺癌复发预测模型,可应用于乳腺癌患者术后定期复查过程。在患者手术前、根治性手术后全身治疗前、以及术后常规每半年复查一次血液学检查时,医师将患者的血清SERS光谱数据输入乳腺癌复发预测模型即可得到预测结果,有效辅助医师真正了解患者体内肿瘤负荷量的微量变化,在早期精准判断患者的复发转移,为患者制作具有针对性的治疗策略,此过程不增加对患者的采血次数、无放射性副损伤、成本低、准确性高,具有广泛的应用前景。
附图说明
为了更清楚地说明本发明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做出简单地介绍,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为本发明提供的一种乳腺癌复发预测模型的构建方法的流程示意图。
图2示出乳腺癌复发预测模型的结构框架。
图3示出乳腺癌复发预测模型的自注意力层的结构框架。
图4示出乳腺癌患者在手术前和在手术后的原始光谱对比,intensity表示强度,raman shift表示拉曼频移。
图5为本发明提供的一种乳腺癌复发预测模型的构建系统的结构示意图。
图6为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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,它们不应该理解成对本发明的限制。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
下面结合图1-图6描述本发明提供的乳腺癌复发预测模型的构建方法及其预测系统。
图1是本发明提供的乳腺癌复发预测模型的构建方法的流程示意图。参照图1,本发明提供的一种乳腺癌复发预测模型的构建方法,可以包括:
步骤S110、得到目标群体的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,其中,目标群体为乳腺癌患者,治疗前血清SERS光谱数据和治疗后血清SERS光谱数据分别具有对应的肿瘤负荷量标签;
步骤S120、根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型。
在一个具体实施方案中,所述目标群体是经过治疗的乳腺癌患者。可以检测经空心针穿刺活检病理证实的非转移性乳腺癌患者的根治性治疗前(体内肿瘤负荷量大)血清SERS光谱数据和根治性治疗后(体内肿瘤负荷小)血清SERS光谱数据。“根治性治疗”包括但不限于各种乳腺癌根治性手术,例如保乳术联合前哨淋巴结活检或腋窝淋巴结清扫、乳房全切术联合前哨淋巴结活检或腋窝淋巴结清扫等;对于接受新辅助治疗的乳腺癌患者,“根治性治疗”指新辅助治疗后接受上述根治性手术。对于接受新辅助治疗的乳腺癌患者,“根治性治疗”包括新辅助治疗及前述根治性手术;辅助化疗、辅助内分泌治疗、辅助靶向治疗、辅助放疗归为“随访期”。
具体的,可以将10微升银胶体与10微升血清按1:1比例混合,40℃下静置约1小时,吸取10微升混合物到铝箔上,自然干燥后,使用配备785 nm二极管激光器的拉曼显微光谱仪(ATR8300MP,Optosky Photonics Inc.,China)在400-1800cm-1范围内测量血清SERS光谱数据并收集。血清SERS光谱数据的肿瘤负荷量标签可以通过人工标签得到。
表面增强拉曼光谱技术具有无损检测、无需制备样品、灵敏度高等优点,可以探测分子键特有的正常振动模式以及更复杂的分子指纹,是一种新的疾病诊断工具。近年来,基于拉曼光谱的生物医学应用正在迅速发展。其依据在于:在疾病的变化过程中,细胞内的化学物质的结构、构象和数量都会发生明显的变化,变化在尚未引起临床症状前,常规的临床检查手段往往难以发现。而拉曼光谱技术,因其主要检测分子的振动,通过谱图解析来获取分子结构的信息,在细胞发生分子结构变化时就有可能将其检测出来,故有望从分子水平上揭示疾病的早期变化。
但实际应用中的拉曼光谱散射信号较弱,在生物样品中存在较强的荧光背景干扰和噪声。因此要想得到有效的光谱数据,通常需要提前对原始光谱数据经过繁琐的预处理步骤,进而造成效率低和受到人为因素影响大的问题。而本发明通过采用在生物医学特别是疾病血液检测领域具有较高的检测灵敏度和广阔的应用前景的表面增强拉曼光谱技术,结合不需要提前对输入数据进行预处理(例如去噪、去基线等)的基于自注意力机制的端到端深度学习模型框架,训练得到高精度乳腺癌复发预测模型,有利于辅助医师高效、准确地判断乳腺癌患者是否复发。
在一种实施例中,如图2-3所示,乳腺癌复发预测模型包括卷积层、自注意力(self-attention)层、多层感知器(Multilayer Perceptron,MLP)层。其中,卷积层包括一维卷积、批归一化(Batch Normalization,BN)层、激活层;自注意力层包括位置编码层和编码器层,编码器层包括层归一化(Layer normalization,LN)层、多头注意力机制层、全连接层、残差层。
在一种实施例中,步骤S120可以包括:
步骤S1201、根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过卷积层提取治疗前血清SERS光谱特征和治疗后血清SERS光谱特征。
步骤S1202、根据治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过自注意力层,结合光谱位置信息,学习肿瘤负荷微量变化的关系。
步骤S1203、通过多层感知器层对自注意力层的学习结果进行非线性变换,将肿瘤负荷微量变化关系映射为肿瘤负荷量变大(治疗前)和肿瘤负荷量变小(治疗后)类别的,其中,如果待测者的肿瘤负荷量变大的概率大于肿瘤负荷量变小的概率,即存在复发可能。
进一步的,步骤S1201可以包括:
根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过一维卷积利用卷积运算使卷积核从左到右遍历整条血清SERS光谱,得到治疗前血清SERS光谱特征和治疗后血清SERS光谱特征。一维卷积是为了提取原始光谱数据中的特征,通过卷积运算使卷积核从左到右依次遍历整条光谱,实现对光谱特征的自动提取。为了实现在不同层次对光谱数据进行特征提取,可使用多个卷积核。
通过批归一化层对治疗前血清SERS光谱特征和治疗后血清SERS光谱特征进行规范化处理,可以加快训练速度,避免过拟合。
通过激活层,利用Tanh激活函数,对经过卷积运算的数据进行非线性变换,以增加模型的特征提取能力和非线性表达能力。
进一步的,步骤S1202可以包括:
将治疗前血清SERS光谱特征和治疗后血清SERS光谱特征分别加上相同长度的可训练的位置编码,作为编码器层的输入,以在治疗前血清SERS光谱特征和治疗后血清SERS光谱特征中增加SERS光谱位置信息。
通过层归一化层将神经网络中的隐藏层进行标准正态归一化,以加速模型收敛速度。
根据携带位置编码的治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过多头注意力机制层学习肿瘤负荷微量变化的关系。多头注意力机制层可以自动聚焦数据中的重要信息,增加输入数据中重要信息的权重,降低输入数据中不重要信息的权重,利用多个自注意层组成多头注意块,可获取更丰富的特征信息,有助于捕捉肿瘤负荷微量变化的关系。
通过全连接层对多头注意力机制层的学习结果进行非线性变换,以便模型更好地捕捉数据之间的关系。
通过残差层在多头注意力机制层和全连接层之间引入残差机制,有效避免梯度消失。
在另一种实施例中,步骤S120可以包括:
将目标群体的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据按比例分为训练集和测试集,例如70%的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据形成训练集,30%的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据形成测试集;
根据训练集的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,采用基于自注意力的端到端深度学习模型框架,训练得到初始乳腺癌复发预测模型;
根据测试集的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,采用评价指标对初始乳腺癌复发预测模型的分类性能进行评价,并根据评价结果对初始乳腺癌复发预测模型进行优化,得到最终乳腺癌复发预测模型。
对于分类问题,需要有客观的评价指标来衡量乳腺癌复发预测模型的性能优劣。在本实施例中,评价指标可以包括以下任一项或其任意组合:准确性、灵敏度、特异性,
其中,准确性的表达式为:
,
灵敏度的表达式为:
,
特异性的表达式为:
,
准确性、灵敏度、特异性的表达式中,TP 表示实际为阳性样本而预测结果也为阳性样本的个数,FN表示实际为阳性样本而预测结果为阴性样本的个数,FP表示实际为阴性样本而预测结果为阳性样本的个数,TN表示实际和预测结果均为阴性的样本数目。即,总的样本数 = TP + FP + TN + FN,其中正确分类样本数 = TP + TN,错误分类个数 = FP +FN。准确率表示预测正确的样本数占总样本数的比例,灵敏度表示预测正确的阳性样本数占总阳性样本数的比例,而特异性则表示预测正确的阴性样本数占总阴性样本数的比例。
下面将描述一个实例以阐述本实施例。
在一般情况下,医师通过使用银纳米粒子和乳腺癌患者的血清样品1:1融合,测得SERS光谱。每例患者分别检测根治性治疗前(体内肿瘤负荷量大)和根治性治疗后(体内肿瘤负荷小)血清SERS光谱数据。每个血清样品测量3个不同的位置,取平均光谱作为每个样本的光谱,参与研究的患者共239名,得到478条光谱。图4为乳腺癌患者治疗前和治疗后的原始光谱对比图,从图中可以看出,不同类别的光谱的谱形是非常相似的,因此难以从肉眼上直接识别。另一方面,根据本发明提供的乳腺癌复发预测模型的构建方法,将其中200例患者治疗前、后的400条血清SERS光谱数据以及对应的肿瘤负荷量标签作为训练集,另外选择38名患者治疗前、后的76条血清SERS光谱数据以及对应的肿瘤负荷量标签作为测试集。根据训练集的血清SERS光谱数据,基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型。再使用测试集的血清SERS光谱数据输入到乳腺癌复发预测模型并验证其预测性能。乳腺癌复发预测模型的分类结果如表1所示,乳腺癌复发预测模型的性能测试结果如表2所示,乳腺癌复发预测模型的准确率高达97%,灵敏度为100%。
本发明提供的一种乳腺癌复发预测模型的构建方法及其预测系统,采用在生物医学特别是疾病血液检测领域具有较高检测灵敏度的表面增强拉曼光谱技术,结合不需要对输入数据提前进行繁琐预处理的基于自注意力的端到端深度学习模型框架,训练得到高精度的乳腺癌复发预测模型,可应用于乳腺癌患者术后复查,尽早发现复发转移。
可以将患者根治性治疗前、后的血清SERS光谱数据以及随访期(包括辅助化疗、辅助内分泌治疗、辅助靶向治疗、辅助放疗以及随后的复查随访期)每半年一次的血液学检查时的血清SERS光谱数据输入乳腺癌复发预测模型,即可得到二分类结果,输出待测样本为“1”或“0”。“1”代表体内肿瘤负荷量变大,提示复发转移可能,“0”代表体内肿瘤负荷量变小,提示无复发转移。可先于传统的影像学检查方法发现潜在的复发转移倾向,及时给予有效治疗,改善患者生存。该系统不增加患者额外采血次数,无放射性副损伤,成本低且准确性高,具有广泛的应用前景,有望解决现有技术无法灵敏反映患者体内肿瘤负荷变化情况,难以预警乳腺癌患者复发转移的问题。
下面对本发明提供的乳腺癌复发预测模型的构建系统进行描述,下文描述的乳腺癌复发预测模型的构建系统与上文描述的乳腺癌复发预测模型的构建方法可相互对应参照。
参照图5,本发明提供的一种乳腺癌复发预测模型的构建系统,可以包括:
数据获取模块,用于:得到目标群体的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,其中,目标群体为乳腺癌患者,治疗前血清SERS光谱数据和治疗后血清SERS光谱数据分别具有对应的肿瘤负荷量标签;
模型训练模块,用于:根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型。
本发明还提供的一种肿瘤负荷微量变化预测系统,可以包括:
数据接收模块,用于:接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
预测模块,用于:根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过上述任一种所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率。
根据本发明还提供的一种肿瘤负荷微量变化预测系统,还可以包括:
判断模块,用于:当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率时,输出待测者存在乳腺癌复发可能的判断结果。
医师在得到待测者的血清SERS光谱数据后,直接将待测者的血清SERS光谱数据输入肿瘤负荷微量变化预测系统,由肿瘤负荷微量变化预测系统的数据接收模块接收待测者的血清SERS光谱数据,再由预测模块根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过上述乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率,再根据待测者体内的肿瘤负荷量变大的概率是否大于待测者体内的肿瘤负荷量变小的概率,输出待测者是否存在乳腺癌复发可能的判断结果(肿瘤负荷量变大的概率大于肿瘤负荷量变小的概率即输出待测者存在乳腺癌复发可能的判断结果,肿瘤负荷量变大的概率小于肿瘤负荷量变小的概率即输出待测者不存在乳腺癌复发可能的判断结果,肿瘤负荷量变大的概率等于肿瘤负荷量变小的概率即输出待测者需要进一步检查的判断结果),医师可以根据预测结果进一步判断乳腺癌患者是否复发,即使医师在早期通过肉眼没有发现乳腺癌患者存在复发的可能,但是通过本发明能够随时了解乳腺癌患者体内真实的肿瘤负荷微量变化,实时监控乳腺癌患者的情况,本发明有效提高医师决策的效率和准确性,同时有利于及早为患者制定治疗方案。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行以下步骤:
接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过上述任一种所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率;
当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率时,输出待测者存在乳腺癌复发可能的判断结果。
此外,上述的存储器830中的逻辑指令可以通过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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行以下步骤:
接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过上述任一种所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率;
当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率时,输出待测者存在乳腺癌复发可能的判断结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行以下步骤:
接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过上述任一种所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率;
当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率时,输出待测者存在乳腺癌复发可能的判断结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种乳腺癌复发预测模型的构建方法,其特征在于,包括:
得到目标群体的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,其中,目标群体为乳腺癌患者,治疗前血清SERS光谱数据和治疗后血清SERS光谱数据分别具有对应的肿瘤负荷量标签;
根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型;
其中,乳腺癌复发预测模型包括卷积层、自注意力层、多层感知器层,自注意力层包括位置编码层和编码器层,编码器层包括层归一化层、多头注意力机制层、全连接层、残差层;
并且其中,所述根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型,包括:
根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过卷积层提取治疗前血清SERS光谱特征和治疗后血清SERS光谱特征;
根据治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过自注意力层,结合光谱位置信息,学习肿瘤负荷微量变化的关系;
通过多层感知器层对自注意力层的学习结果进行非线性变换,将肿瘤负荷微量变化关系映射为肿瘤负荷量变大和肿瘤负荷量变小类别的概率;
并且其中,所述根据治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过自注意力层,结合光谱位置信息,学习肿瘤负荷微量变化的关系,包括:
将治疗前血清SERS光谱特征和治疗后血清SERS光谱特征分别加上相同长度的可训练的位置编码,以在治疗前血清SERS光谱特征和治疗后血清SERS光谱特征中增加SERS光谱位置信息;
通过层归一化层将神经网络中的隐藏层进行标准正态归一化;
根据携带位置编码的治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过多头注意力机制层学习肿瘤负荷微量变化的关系;
通过全连接层对多头注意力机制层的学习结果进行非线性变换;
通过残差层在多头注意力机制层和全连接层之间引入残差机制。
2.根据权利要求1所述的乳腺癌复发预测模型的构建方法,其特征在于,卷积层包括一维卷积、批归一化层、激活层,所述根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过卷积层提取治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,包括:
根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过一维卷积利用卷积运算使卷积核从左到右遍历整条血清SERS光谱,得到治疗前血清SERS光谱特征和治疗后血清SERS光谱特征;
通过批归一化层对治疗前血清SERS光谱特征和治疗后血清SERS光谱特征进行规范化处理;
通过激活层,利用Tanh激活函数,对经过卷积运算的数据进行非线性变换。
3.根据权利要求1或2所述的乳腺癌复发预测模型的构建方法,其特征在于, 所述根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型,包括:
将目标群体的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据分为训练集和测试集;
根据训练集的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,采用基于自注意力的端到端深度学习模型框架,训练得到初始乳腺癌复发预测模型;
根据测试集的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,采用评价指标对初始乳腺癌复发预测模型的分类性能进行评价,并根据评价结果对初始乳腺癌复发预测模型进行优化,得到最终乳腺癌复发预测模型。
4.一种乳腺癌复发预测模型的构建系统,其特征在于,包括:
数据获取模块,用于:得到目标群体的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,其中,目标群体为乳腺癌患者,治疗前血清SERS光谱数据和治疗后血清SERS光谱数据分别具有对应的肿瘤负荷量标签;
模型训练模块,用于:根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型;
其中,乳腺癌复发预测模型包括卷积层、自注意力层、多层感知器层,自注意力层包括位置编码层和编码器层,编码器层包括层归一化层、多头注意力机制层、全连接层、残差层;
并且其中,所述根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据以及肿瘤负荷量标签,采用基于自注意力的端到端深度学习模型框架,训练得到乳腺癌复发预测模型,包括:
根据治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过卷积层提取治疗前血清SERS光谱特征和治疗后血清SERS光谱特征;
根据治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过自注意力层,结合光谱位置信息,学习肿瘤负荷微量变化的关系;
通过多层感知器层对自注意力层的学习结果进行非线性变换,将肿瘤负荷微量变化关系映射为肿瘤负荷量变大和肿瘤负荷量变小类别的概率;
并且其中,所述根据治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过自注意力层,结合光谱位置信息,学习肿瘤负荷微量变化的关系,包括:
将治疗前血清SERS光谱特征和治疗后血清SERS光谱特征分别加上相同长度的可训练的位置编码,以在治疗前血清SERS光谱特征和治疗后血清SERS光谱特征中增加SERS光谱位置信息;
通过层归一化层将神经网络中的隐藏层进行标准正态归一化;
根据携带位置编码的治疗前血清SERS光谱特征和治疗后血清SERS光谱特征,通过多头注意力机制层学习肿瘤负荷微量变化的关系;
通过全连接层对多头注意力机制层的学习结果进行非线性变换;
通过残差层在多头注意力机制层和全连接层之间引入残差机制。
5.一种肿瘤负荷微量变化预测系统,其特征在于,包括:
数据接收模块,用于:接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
预测模块,用于:根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过权利要求1-3任一项所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率。
6.根据权利要求5所述的肿瘤负荷微量变化预测系统,其特征在于,还包括:
判断模块,用于:当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率时,输出待测者存在乳腺癌复发可能的判断结果。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过权利要求1-3任一项所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率。
8.根据权利要求7所述的电子设备,其特征在于,所述处理器执行所述程序时还实现以下步骤:
当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率,输出待测者存在乳腺癌复发可能的判断结果。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
接收待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,待测者为接受过乳腺癌治疗的患者;
根据待测者的治疗前血清SERS光谱数据和治疗后血清SERS光谱数据,通过权利要求1-3任一项所述的乳腺癌复发预测模型的构建方法所构建的乳腺癌复发预测模型,得到待测者体内的肿瘤负荷量变大的概率和待测者体内的肿瘤负荷量变小的概率。
10.根据权利要求9所述的非暂态计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时还实现以下步骤:
当待测者体内的肿瘤负荷量变大的概率大于待测者体内的肿瘤负荷量变小的概率,输出待测者存在乳腺癌复发可能的判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199214.XA CN117789972B (zh) | 2024-02-23 | 2024-02-23 | 一种乳腺癌复发预测模型的构建方法及其预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199214.XA CN117789972B (zh) | 2024-02-23 | 2024-02-23 | 一种乳腺癌复发预测模型的构建方法及其预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117789972A CN117789972A (zh) | 2024-03-29 |
CN117789972B true CN117789972B (zh) | 2024-05-31 |
Family
ID=90401940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410199214.XA Active CN117789972B (zh) | 2024-02-23 | 2024-02-23 | 一种乳腺癌复发预测模型的构建方法及其预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789972B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105316402A (zh) * | 2015-04-02 | 2016-02-10 | 复旦大学附属肿瘤医院 | 一种预测三阴性乳腺癌预后及化疗敏感性的mRNA联合lncRNA模型及应用 |
CN112200770A (zh) * | 2020-09-08 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 |
CN113350704A (zh) * | 2021-04-26 | 2021-09-07 | 南京航空航天大学 | 一种基于近红外散射光谱的宫颈癌放疗疗效评估方法 |
CN114781484A (zh) * | 2022-03-21 | 2022-07-22 | 大连理工大学 | 基于卷积神经网络的癌症血清sers光谱分类方法 |
CN114923893A (zh) * | 2022-06-02 | 2022-08-19 | 西北大学 | 一种无损免标记快速乳腺癌拉曼光谱病理分级分期方法 |
CN115294129A (zh) * | 2022-10-08 | 2022-11-04 | 北京肿瘤医院(北京大学肿瘤医院) | 肿瘤免疫治疗预后评估方法、装置、电子设备及存储介质 |
KR20230049913A (ko) * | 2021-10-07 | 2023-04-14 | 사회복지법인 삼성생명공익재단 | 유방 재건술 후 유방암의 예후를 예측하기 위한 정보의 제공 방법 및 시스템 |
CN116030032A (zh) * | 2023-02-16 | 2023-04-28 | 四川省肿瘤医院 | 基于拉曼光谱数据的乳腺癌分析设备、系统及存储介质 |
WO2023197076A1 (en) * | 2022-04-12 | 2023-10-19 | Krishnan Venkatakrishnan | Methods and systems for immunome profiling for cancer diagnosis and treatment prognosis |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7056663B2 (en) * | 2001-03-23 | 2006-06-06 | California Pacific Medical Center | Prognostic methods for breast cancer |
-
2024
- 2024-02-23 CN CN202410199214.XA patent/CN117789972B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105316402A (zh) * | 2015-04-02 | 2016-02-10 | 复旦大学附属肿瘤医院 | 一种预测三阴性乳腺癌预后及化疗敏感性的mRNA联合lncRNA模型及应用 |
CN112200770A (zh) * | 2020-09-08 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 |
CN113350704A (zh) * | 2021-04-26 | 2021-09-07 | 南京航空航天大学 | 一种基于近红外散射光谱的宫颈癌放疗疗效评估方法 |
KR20230049913A (ko) * | 2021-10-07 | 2023-04-14 | 사회복지법인 삼성생명공익재단 | 유방 재건술 후 유방암의 예후를 예측하기 위한 정보의 제공 방법 및 시스템 |
CN114781484A (zh) * | 2022-03-21 | 2022-07-22 | 大连理工大学 | 基于卷积神经网络的癌症血清sers光谱分类方法 |
WO2023197076A1 (en) * | 2022-04-12 | 2023-10-19 | Krishnan Venkatakrishnan | Methods and systems for immunome profiling for cancer diagnosis and treatment prognosis |
CN114923893A (zh) * | 2022-06-02 | 2022-08-19 | 西北大学 | 一种无损免标记快速乳腺癌拉曼光谱病理分级分期方法 |
CN115294129A (zh) * | 2022-10-08 | 2022-11-04 | 北京肿瘤医院(北京大学肿瘤医院) | 肿瘤免疫治疗预后评估方法、装置、电子设备及存储介质 |
CN116030032A (zh) * | 2023-02-16 | 2023-04-28 | 四川省肿瘤医院 | 基于拉曼光谱数据的乳腺癌分析设备、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
~(18)F-FDG PET/CT在乳腺癌术后复发及转移患者的应用价值;赵飞;胡瑶;丁重阳;李天女;;江苏医药;20160415(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117789972A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113194820B (zh) | 借助外泌体的基于人工智能的利用液体活检的癌诊断信息提供方法及系统 | |
Kanter et al. | Application of Raman spectroscopy for cervical dysplasia diagnosis | |
US20060247532A1 (en) | Method for extraction of optical properties from diffuse reflectance spectra | |
CN111812078A (zh) | 基于表面增强拉曼光谱的人工智能辅助前列腺肿瘤早期诊断方法 | |
KR102635700B1 (ko) | 암 리스크 평가 방법 및 암 리스크 평가 시스템 | |
CN116840214A (zh) | 一种诊断脑肿瘤和脑梗死的方法 | |
CN115205213A (zh) | 一种体内泌尿系结石成分预测系统 | |
Du et al. | Diagnoses in multiple types of cancer based on serum Raman spectroscopy combined with a convolutional neural network: Gastric cancer, colon cancer, rectal cancer, lung cancer | |
KR101828279B1 (ko) | 표면증강라만산란을 이용한 폐암 조기 진단 나노센서 및 그 방법 | |
CN113702349A (zh) | 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法 | |
Wei et al. | Multi-scale sequential feature selection for disease classification using Raman spectroscopy data | |
Frost et al. | Raman spectroscopy and multivariate analysis for the non invasive diagnosis of clinically inconclusive vulval lichen sclerosus | |
de Souza et al. | Discrimination of molecular subtypes of breast cancer with ATR-FTIR spectroscopy in blood plasma coupled with partial least square-artificial neural network discriminant analysis (PLS-ANNDA) | |
CN112951426A (zh) | 一种胰腺导管腺瘤炎性浸润程度判断模型的构建方法及评估系统 | |
CN117789972B (zh) | 一种乳腺癌复发预测模型的构建方法及其预测系统 | |
Yu et al. | Deep multi-feature fusion residual network for oral squamous cell carcinoma classification and its intelligent system using Raman spectroscopy | |
Leng et al. | Rectal cancer treatment management: deep-learning neural network based on photoacoustic microscopy image outperforms histogram-feature-based classification | |
CN111430030A (zh) | 生物标志物在卵巢癌评估中的应用方法及系统 | |
CN116030032A (zh) | 基于拉曼光谱数据的乳腺癌分析设备、系统及存储介质 | |
CN111351942B (zh) | 肺癌肿瘤标志物筛选系统及肺癌风险分析系统 | |
RU2814539C1 (ru) | Система диагностики злокачественных и доброкачественных новообразований кожи | |
US20230237646A1 (en) | Radiomic Biomarker Determination Method and System for Assessment of the Risk of Metabolic Diseases | |
Ruiz et al. | Application of Spectrophotometry in a Non-Invasive Way of Measuring Creatinine Levels | |
Chen et al. | Plaque Recognition and Classification Algorithm for CCTA Image Sequences with Frame-Gradient of Gaussian Variance | |
Shuhua et al. | Accurate and Rapid Molecular Subgrouping of High-Grade Glioma via Deep-learning-assisted Label-free Fiberoptic Raman Spectroscopy |
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 |