CN118098556A - 预测肝细胞癌患者接受治疗疗效的模型建立方法及其应用 - Google Patents
预测肝细胞癌患者接受治疗疗效的模型建立方法及其应用 Download PDFInfo
- Publication number
- CN118098556A CN118098556A CN202311479410.4A CN202311479410A CN118098556A CN 118098556 A CN118098556 A CN 118098556A CN 202311479410 A CN202311479410 A CN 202311479410A CN 118098556 A CN118098556 A CN 118098556A
- Authority
- CN
- China
- Prior art keywords
- image
- histology
- model
- prediction model
- treatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000694 effects Effects 0.000 title claims abstract description 24
- 206010073071 hepatocellular carcinoma Diseases 0.000 title claims abstract description 11
- 231100000844 hepatocellular carcinoma Toxicity 0.000 title claims abstract description 11
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 24
- 239000003814 drug Substances 0.000 claims abstract description 15
- 229940079593 drug Drugs 0.000 claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 230000009885 systemic effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 19
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 16
- 210000004185 liver Anatomy 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 230000003902 lesion Effects 0.000 claims description 4
- 238000009533 lab test Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 201000011510 cancer Diseases 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 abstract description 2
- 210000005229 liver cell Anatomy 0.000 abstract description 2
- 229940076838 Immune checkpoint inhibitor Drugs 0.000 description 2
- 102000037984 Inhibitory immune checkpoint proteins Human genes 0.000 description 2
- 108091008026 Inhibitory immune checkpoint proteins Proteins 0.000 description 2
- 230000003527 anti-angiogenesis Effects 0.000 description 2
- 239000012274 immune-checkpoint protein inhibitor Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- MLDQJTXFUGDVEO-UHFFFAOYSA-N BAY-43-9006 Chemical compound C1=NC(C(=O)NC)=CC(OC=2C=CC(NC(=O)NC=3C=C(C(Cl)=CC=3)C(F)(F)F)=CC=2)=C1 MLDQJTXFUGDVEO-UHFFFAOYSA-N 0.000 description 1
- 239000005511 L01XE05 - Sorafenib Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005773 cancer-related death Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 230000010109 chemoembolization Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000002767 hepatic artery Anatomy 0.000 description 1
- WOSKHXYHFSIKNG-UHFFFAOYSA-N lenvatinib Chemical compound C=12C=C(C(N)=O)C(OC)=CC2=NC=CC=1OC(C=C1Cl)=CC=C1NC(=O)NC1CC1 WOSKHXYHFSIKNG-UHFFFAOYSA-N 0.000 description 1
- 229960003784 lenvatinib Drugs 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000007674 radiofrequency ablation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229960003787 sorafenib Drugs 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 239000000439 tumor marker Substances 0.000 description 1
- 229940121358 tyrosine kinase inhibitor Drugs 0.000 description 1
- 239000005483 tyrosine kinase inhibitor Substances 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明的技术方案是提供了一种预测肝细胞癌患者接受治疗疗效的模型建立方法。通过本发明公开的方法所建立的模型能够预测局部区域治疗及系统药物治疗是否对不可手术切除的肝细胞癌患者有效，以辅助临床决策、筛选有效人群，从而提高整体疗效，减轻患者经济负担。本发明具有如下有益效果：基于临床常用的影像学检查结果，无需改变临床常规，临床易用性高，推广性强；不增加患者的诊疗负担；不涉及生物标本相关的人类遗传资源及泄露风险；通过所建立的模型进行预测，预测方法简单可行、可重复性高，可根据不同场景灵活调整预测参数。
Description
技术领域
本发明涉及一种利用肝脏影像学资料预测肝细胞癌患者接受系统治疗和/或局部区域治疗疗效的模型建立方法，本发明还涉及利用该方法建立的模型的应用。
背景技术
肝细胞癌是癌症相关死亡的第四大原因，在世界范围内的发病率也在增加。目前中晚期肝细胞癌患者的治疗主要包括局部区域治疗及系统(药物)治疗，局部区域治疗主要包括射频消融术、经肝动脉化疗栓塞术等，系统药物治疗多为抗血管生成药物、免疫检查点抑制剂、化学药物等。现阶段用于治疗肝细胞癌的一线抗血管生成药物包括索拉非尼、仑伐替尼和多纳非尼，这3种药物均为多靶点酪氨酸激酶抑制剂，但目前尚未发现有效的疗效预测分子标志物。尽管免疫检查点抑制剂已用于多种实体恶性肿瘤的治疗，但其疗效预测指标不尽相同。
对于接受局部治疗及系统药物治疗患者而言，使用分子标志物来预测疗效比较困难，临床应用的难度也较大，目前也没有有效的预测标志物。目前，有的研究正在探索使用药物治疗前和治疗后数月内的肿瘤标志物变化情况来预测疗效，还有的研究正在探索使用患者接受药物治疗前的外周血来预测疗效，但这些方法不仅增加了临床工作负担，而且检测方法较为复杂、成本较高，并不适合大规模的临床应用。因此本方法拟利用患者在诊疗常规中产生的增强磁共振成像资料，在患者接受系统药物治疗和/或局部治疗前对其疗效进行预测。
发明内容
本发明的目的是：预测局部治疗及系统(药物)治疗肝癌的疗效。
为了达到上述目的，本发明的技术方案是提供了一种预测肝细胞癌患者接受治疗疗效的模型建立方法，其特征在于，包括以下步骤：
步骤1、获取接受局部区域治疗和/或系统药物治疗的患者的疗效评价数据；
步骤2、获取步骤1中相同患者的增强磁共振成像资料，并由两名放射科或影像科医生独立在同一增强磁共振成像资料上勾画肝脏内直径最长的肿瘤病灶范围，勾画完成后，基于增强磁共振成像序列和勾画信息生成两份影像文件；
步骤3、提取步骤2所获得的影像文件的影像组学特征，将通过同一增强磁共振成像资料形成的两份影像文件所提取的两组影像组学特征分别保存为不同的特征文本文件；
步骤4、获取步骤1所获得的疗效评价数据以及步骤3所获得的特征文本文件，并对同一增强磁共振成像资料所对应的两份特征文本文件中的影像组学特征参数分别进行min-max标准化，以疗效评价数据为模型标签、影像组学特征参数为模型输入建立训练数据：若病例数量大于预先设定的阈值，则对训练数据进行随机分组，分为训练组和内部验证组；否则，不进行分组；
步骤5、建立影像组学预测模型，在同一增强磁共振成像资料所对应的两份特征文本文件中的影像组学特征参数选取组内相关系数不小于阈值的影像组学特征参数作为影像组学预测模型的输入，利用训练数据对影像组学预测模型进行训练，其中：
若训练数据分为了训练组和内部验证组，则对影像组学预测模型进行训练时，先利用训练组对影像组学预测模型进行训练后，再将训练后的影像组学预测模型在内部验证组上进行验证，通过验证后，进入下一步；
若训练数据未分组，则对影像组学预测模型进行训练时，先利用训练数据对影像组学预测模型进行训练后，再采用交叉验证或bootstrap方法对训练后的影像组学预测模型进行验证，通过验证后，进入下一步；
步骤6、基于上一步所获得的模型建立预测模型。
优选地，步骤1中，获取疗效评价数据时，对肝脏内的肿瘤靶病灶采用mRECIST和/或RECIST v1.1标准进行评价，以所有评价结果中最佳的一次作为最终的疗效评价数据。
优选地，步骤1中，除获取疗效评价数据外，还获取当前患者所对应的身份识别码、接受治疗前的基本信息、基线肿瘤信息以及基线实验室检查结果，则：
在所述步骤4中：训练数据中的模型输入还包括患者的身份识别码、接受治疗前的基本信息、基线肿瘤信息以及基线实验室检查结果；
在所述步骤5之后，且在所述步骤6之前有以下步骤：
在建立影像组学预测模型后，联合患者的身份识别码、接受治疗前的基本信息、基线肿瘤信息以及基线实验室检查结果作为模型的输入建立融合预测模型，并对该融合预测模型进行验证和评价。
优选地，步骤2中，放射科或影像科医生勾画肝脏内直径最长的肿瘤病灶范围时，在各个序列上逐层勾画。
优选地，步骤5中，利用内部验证组或者利用交叉验证或bootstrap方法对训练后的影像组学预测模型进行验证后，再引入外部独立数据对模型进行外部验证，以评估预测模型的可泛化性。
优选地，基于通过上述的方法所建立的模型进行可视化处理或形成网页工具，将该网页工具或可视化后的模型应用在实际临床工作中。
通过本发明公开的方法所建立的模型能够预测局部区域治疗及系统药物治疗是否对不可手术切除的肝细胞癌患者有效，以辅助临床决策、筛选有效人群，从而提高整体疗效，减轻患者经济负担。
相比于现有技术手段，本发明具有如下有益效果：
1)基于临床常用的影像学检查结果，无需改变临床常规，临床易用性高，推广性强；
2)不增加患者的诊疗负担；
3)不涉及生物标本相关的人类遗传资源及泄露风险；
4)通过所建立的模型进行预测，预测方法简单可行、可重复性高，可根据不同场景灵活调整预测参数。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
在肝细胞癌的临床诊疗中，肝脏的影像学检查是一项常规检查项目。医生往往依靠肝脏的影像学资料来评估肿瘤的大小、范围和性质等，从而判断患者能否接受手术治疗、大致估计患者的生存情况。但是医生在阅读影像学资料的过程中，通过肉眼仅能分辨肿瘤的轮廓，无法评估肿瘤的影像细节特征；此外，有时不同的医生对同一份磁共振成像资料的评估会存在分歧。而影像组学技术能够提取高通量的影像组学特征参数，关注肉眼不可分辨的图像细节，并且可重复性好；再经过统计学分析，便可建立影像组学特征参数与局部治疗及系统治疗疗效之间的关联，从而预测治疗疗效。因此，本发明实施例公开的一种预测肝细胞癌患者接受治疗疗效的模型建立方法利用患者在诊疗常规中产生的影像学资料建立模型，基于所建立的模型利用影像组学技术在患者接受治疗前对其后续治疗疗效进行预测，具体包括以下步骤：
步骤1、准备接受局部区域治疗和/或系统药物治疗患者的疗效评价数据，对肝脏内的肿瘤靶病灶(靶病灶指肝脏内直径最长的2枚肿瘤病灶)采用mRECIST标准进行评价(也可以根据RECIST v1.1标准进行评价，或者同时采用RECIST v1.1标准以及mRECIST标准进行评价)，以所有评价结果中最佳的一次作为患者的最终疗效评价结果，将患者的身份识别码、接受治疗前的基本信息、基线肿瘤信息、基线实验室检查结果以及疗效评价结果保存为一份文本文件(例如.txt、.csv、.xlsx)。
步骤2、利用3D Slicer或ITK-SNAP软件读入增强磁共振成像资料(DICOM格式)，并由两名放射科或影像科医生独立在动脉期、门脉期、延迟期等序列上逐层勾画肝脏内直径最长的肿瘤病灶范围。勾画完成后，保存相应的增强磁共振成像序列(例如.nrrd、.nii.gz格式)和勾画信息(例如.seg.nrrd、.nii.gz格式)，两名放射科或影像科医生的勾画文件应分别保存。
步骤3、在Python中加载pyradiomics包，对步骤2中导出的文件分别进行影像组学特征提取，保存提取的影像组学特征参数为文本文件(例如.txt、.csv、.xlsx)；
步骤4、在Python或R中读入步骤1所获得的患者的疗效评价数据和步骤3提取的影像组学特征参数，并对两名放射科或影像科医生独立所形成的两份影像组学特征参数分别进行min-max标准化。若病例数较多，可对数据进行随机分组，分为训练组和内部验证组，在训练组上进行以下步骤，并将得到的模型在内部验证组上进行验证；若病例数较少，可采用交叉验证或bootstrap方法进行以下步骤。
步骤5、在两份影像组学特征参数中选取组内相关系数≥0.8的影像组学特征，对这些影像组学特征采用例如最小绝对值收敛和选择算法(least absolute shrinkage andselection operator,Lasso)等算法进行特征选择，利用这些最终筛选出的影像组学特征建立并验证影像组学预测模型，建模方法可采用神经网络、支持向量机、逻辑回归等机器学习或深度学习算法；模型的验证策略见步骤4，可从区分度、校准度等方面进行模型验证和评价。
步骤6、影像组学预测模型建立后，可联合患者接受联合治疗前的基本信息、基线肿瘤信息、基线实验室检查结果等指标建立融合预测模型，并对该融合预测模型进行验证和评价。如有可能，引入外部独立数据对融合预测模型进行外部验证，以评估该融合预测模型的可泛化性。
步骤7、对最终建立的融合预测模型采用风险评分、列线图等方式进行可视化，或开发基于预测模型的网页工具，以方便预测模型在实际临床工作中应用。
Claims (6)
1.一种预测肝细胞癌患者接受治疗疗效的模型建立方法，其特征在于，包括以下步骤：
步骤1、获取接受局部区域治疗和/或系统药物治疗的患者的疗效评价数据；
步骤2、获取步骤1中相同患者的增强磁共振成像资料，并由两名放射科或影像科医生独立在同一增强磁共振成像资料上勾画肝脏内直径最长的肿瘤病灶范围，勾画完成后，基于增强磁共振成像序列和勾画信息生成两份影像文件；
步骤3、提取步骤2所获得的影像文件的影像组学特征，将通过同一增强磁共振成像资料形成的两份影像文件所提取的两组影像组学特征分别保存为不同的特征文本文件；
步骤4、获取步骤1所获得的疗效评价数据以及步骤3所获得的特征文本文件，并对同一增强磁共振成像资料所对应的两份特征文本文件中的影像组学特征参数分别进行min-max标准化，以疗效评价数据为模型标签、影像组学特征参数为模型输入建立训练数据：若病例数量大于预先设定的阈值，则对训练数据进行随机分组，分为训练组和内部验证组；否则，不进行分组；
步骤5、建立影像组学预测模型，在同一增强磁共振成像资料所对应的两份特征文本文件中的影像组学特征参数选取组内相关系数不小于阈值的影像组学特征参数作为影像组学预测模型的输入，利用训练数据对影像组学预测模型进行训练，其中：
若训练数据分为了训练组和内部验证组，则对影像组学预测模型进行训练时，先利用训练组对影像组学预测模型进行训练后，再将训练后的影像组学预测模型在内部验证组上进行验证，通过验证后，进入下一步；
若训练数据未分组，则对影像组学预测模型进行训练时，先利用训练数据对影像组学预测模型进行训练后，再采用交叉验证或bootstrap方法对训练后的影像组学预测模型进行验证，通过验证后，进入下一步；
步骤6、基于上一步所获得的模型建立预测模型。
2.如权利要求1所述的一种预测肝细胞癌患者接受治疗疗效的模型建立方法，其特征在于，步骤1中，获取疗效评价数据时，对肝脏内的肿瘤靶病灶采用mRECIST和/或RECISTv1.1标准进行评价，以所有评价结果中最佳的一次作为最终的疗效评价数据。
3.如权利要求1所述的一种预测肝细胞癌患者接受治疗疗效的模型建立方法，其特征在于，步骤1中，除获取疗效评价数据外，还获取当前患者所对应的身份识别码、接受治疗前的基本信息、基线肿瘤信息以及基线实验室检查结果，则：
在所述步骤4中：训练数据中的模型输入还包括患者的身份识别码、接受治疗前的基本信息、基线肿瘤信息以及基线实验室检查结果；
在所述步骤5之后，且在所述步骤6之前有以下步骤：
在建立影像组学预测模型后，联合患者的身份识别码、接受治疗前的基本信息、基线肿瘤信息以及基线实验室检查结果作为模型的输入建立融合预测模型，并对该融合预测模型进行验证和评价。
4.如权利要求1所述的一种预测肝细胞癌患者接受治疗疗效的模型建立方法，其特征在于，步骤2中，放射科或影像科医生勾画肝脏内直径最长的肿瘤病灶范围时，在各个序列上逐层勾画。
5.如如权利要求1所述的一种预测肝细胞癌患者接受治疗疗效的模型建立方法，其特征在于，步骤5中，利用内部验证组或者利用交叉验证或bootstrap方法对训练后的影像组学预测模型进行验证后，再引入外部独立数据对模型进行外部验证，以评估预测模型的可泛化性。
6.通过权利要求1所述的方法所建立的模型的应用，其特征在于，基于通过权利要求1所述的方法所建立的模型进行可视化处理或形成网页工具，将该网页工具或可视化后的模型应用在实际临床工作中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311479410.4A CN118098556A (zh) | 2023-11-08 | 2023-11-08 | 预测肝细胞癌患者接受治疗疗效的模型建立方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311479410.4A CN118098556A (zh) | 2023-11-08 | 2023-11-08 | 预测肝细胞癌患者接受治疗疗效的模型建立方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118098556A true CN118098556A (zh) | 2024-05-28 |
Family
ID=91148367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311479410.4A Pending CN118098556A (zh) | 2023-11-08 | 2023-11-08 | 预测肝细胞癌患者接受治疗疗效的模型建立方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118098556A (zh) |
-
2023
- 2023-11-08 CN CN202311479410.4A patent/CN118098556A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peeken et al. | Radiomics in radiooncology–challenging the medical physicist | |
| Chaddad et al. | Radiomics in glioblastoma: current status and challenges facing clinical implementation | |
| Ke et al. | A neuro-heuristic approach for recognition of lung diseases from X-ray images | |
| Ferro et al. | Radiomics in prostate cancer: An up-to-date review | |
| Siddiqui et al. | Comparison of MR/ultrasound fusion–guided biopsy with ultrasound-guided biopsy for the diagnosis of prostate cancer | |
| Xu et al. | Applying artificial intelligence for cancer immunotherapy | |
| Spohn et al. | Radiomics in prostate cancer imaging for a personalized treatment approach-current aspects of methodology and a systematic review on validated studies | |
| US20190267113A1 (en) | Disease affection determination device, disease affection determination method, and disease affection determination program | |
| EP2510468B1 (en) | Diagnostic techniques for continuous storage and joint analysis of both image and non-image medical data | |
| Porcu et al. | Radiomics and “radi-… omics” in cancer immunotherapy: a guide for clinicians | |
| Li et al. | Molecular Subtypes Recognition of Breast Cancer in Dynamic Contrast‐Enhanced Breast Magnetic Resonance Imaging Phenotypes from Radiomics Data | |
| Yao et al. | DeepPrognosis: Preoperative prediction of pancreatic cancer survival and surgical margin via comprehensive understanding of dynamic contrast-enhanced CT imaging and tumor-vascular contact parsing | |
| Chaddad et al. | Magnetic resonance imaging based radiomic models of prostate cancer: A narrative review | |
| Hafizović et al. | The use of artificial intelligence in diagnostic medical imaging: systematic literature review | |
| CN113628761B (zh) | 抗血管生成药物联合免疫检查点抑制剂治疗疗效预测方法 | |
| CN115527683A (zh) | 基于人工智能预测肝癌患者仑伐替尼靶向治疗效果的方法 | |
| Rajan et al. | Multi-class neural networks to predict lung cancer | |
| Dinesh et al. | Diagnostic ability of deep learning in detection of pancreatic tumour | |
| Bibault et al. | Artificial intelligence in oncology | |
| Daisy et al. | Can artificial intelligence overtake human intelligence on the bumpy road towards glioma therapy? | |
| Ali et al. | Current state of artificial intelligence (AI) in oncology: A review | |
| Geetharamani et al. | Iterative principal component analysis method for improvised classification of breast cancer disease using blood sample analysis | |
| CN118098556A (zh) | 预测肝细胞癌患者接受治疗疗效的模型建立方法及其应用 | |
| Giannou et al. | Automated distinction of neoplastic from healthy liver parenchyma based on machine learning | |
| Jiang et al. | Prostate cancer segmentation from MRI by a multistream fusion encoder |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |