TWI783907B

TWI783907B - 輔助診斷系統及其方法

Info

Publication number: TWI783907B
Application number: TW111119359A
Authority: TW
Inventors: 劉佛明; 蔡宛蓁; 陳裕鑫; 陳昱丞; 李先揚; 鄭朝元; 張詠欣; 楊佳霖; 徐文昱
Original assignee: 華碩電腦股份有限公司
Priority date: 2022-05-24
Filing date: 2022-05-24
Publication date: 2022-11-11
Also published as: TW202347348A

Abstract

本案揭露一種輔助診斷系統及其方法。輔助診斷系統包含一運算裝置以及一顯示裝置。運算裝置係接收複數磁振造影影像並進行影像前處理，以獲得複數待預測影像，運算裝置利用一自動分割模型對待預測影像進行預測，以產生一腫瘤標記結果，運算裝置根據腫瘤標記結果對待預測影像進行特徵抽取，以獲得複數特徵值參數，並將特徵值參數分別輸入至少一分類預測模型以及至少一復發風險預測模型中進行預測，以分別產生對應的一分類預測資訊以及一復發風險資訊。顯示裝置電性連接運算裝置，以顯示腫瘤標記結果、分類預測資訊以及復發風險資訊。

Description

輔助診斷系統及其方法

本案係有關一種可以輔助疾病分類及預測術後復發之輔助診斷系統及其方法。

癌症的發生是身體內某些部位的不正常細胞之成長無法被控制所造成的，不同種類的癌症，表現也會非常不同。以目前位居女性好發癌症之第一位的乳癌為例，醫生在診斷乳癌時，需要參考磁振造影（Magnetic Resonance Imaging，MRI）影像、切片報告及基因報告等資訊來仔細檢查並進行診斷。然而，這些過程全部執行一次，需要花費很長的時間，且也需要花費患者相當多的費用。

本案提供一種輔助診斷系統，包含一運算裝置以及一顯示裝置。運算裝置係接收複數磁振造影影像，並對該些磁振造影影像進行影像前處理，以獲得複數待預測影像，運算裝置利用一自動分割模型對待預測影像進行預測，以產生一腫瘤標記結果，運算裝置根據腫瘤標記結果對待預測影像進行特徵抽取，以獲得複數特徵值參數，並將特徵值參數分別輸入至少一分類預測模型以及至少一復發風險預測模型中進行預測，使分類預測模型根據特徵值參數產生對應的一分類預測資訊以及使復發風險預測模型根據特徵值參數產生對應的一復發風險資訊。顯示裝置電性連接運算裝置，以顯示腫瘤標記結果、分類預測資訊以及復發風險資訊。

本案另外提供一種輔助診斷方法，包含：接收複數磁振造影影像。對該些磁振造影影像進行影像前處理，以獲得複數待預測影像。利用一自動分割模型，對待預測影像進行預測，以產生一腫瘤標記結果。根據腫瘤標記結果，對該些待預測影像進行特徵抽取，以獲得複數特徵值參數。將特徵值參數分別輸入至少一分類預測模型以及至少一復發風險預測模型中進行預測，使分類預測模型根據特徵值參數產生對應的一分類預測資訊以及使復發風險預測模型根據特徵值參數產生對應的一復發風險資訊。

綜上所述，本案之輔助診斷系統及其方法係在取得磁振造影影像之後，在進行病理切片檢查之前，就可以透過人工智慧（AI）分析磁振造影影像來獲得病患的乳癌腫瘤類型及乳癌復發風險，以縮短檢查上的時間與降低費用上的花費。再者，本案更可整合動力曲線分析之功能，提供醫師做更準確的診斷。

本案之輔助診斷系統及其方法是藉由拍攝受測者之磁振造影（MRI）影像來分析受測者的特徵值參數，再將特徵值參數輸入至人工智慧之預測模型中進行估算，以獲得分類預測資訊及復發風險資訊，因此，本案可將受測者的分類預測資訊及復發風險資訊等相關資訊輸出，提供醫師診斷腫瘤（乳癌）的重要參考資訊。

請參閱圖1所示，一輔助診斷系統10包含一運算裝置12以及一顯示裝置20。運算裝置12內建有一自動分割模型14、至少一分類預測模型16以及至少一復發風險預測模型18等人工智慧（AI）預測模型，運算裝置12接收複數磁振造影影像之後，會對這些磁振造影影像進行影像前處理，以獲得複數待預測影像，運算裝置12再利用內建之自動分割模型14對待預測影像進行推論預測，以產生一腫瘤標記結果，其中此腫瘤標記結果係包含腫瘤的位置及大小。運算裝置12根據此腫瘤標記結果對待預測影像進行特徵抽取，以獲得複數特徵值參數，並將這些特徵值參數分別輸入至分類預測模型16以及復發風險預測模型18中進行預測，使分類預測模型16根據該些特徵值參數產生對應的一分類預測資訊以及使復發風險預測模型18根據該些特徵值參數產生對應的一復發風險資訊。顯示裝置20係電性連接運算裝置12，以接收來自運算裝置12的腫瘤標記結果、分類預測資訊以及復發風險資訊，並將腫瘤標記結果、分類預測資訊以及復發風險資訊顯示在顯示裝置20上。

在一實施例中，運算裝置12係為一電腦主機或是其他可以獨立運算之電子裝置，以搭配顯示裝置20一起使用，但本案不以此為限。在另一實施例中，本案更可直接使用一筆記型電腦來取代運算裝置12及顯示裝置20之作用，以利用筆記型電腦同時負責運算裝置12及顯示裝置20之工作。

在一實施例中，運算裝置12係內建有三個分類預測模型16，包含二受體分類預測模型以及一腫瘤類型分類預測模型163，其中受體分類預測模型又進一步包含一荷爾蒙受體分類預測模型161及一人類生長因子受體分類預測模型162。將前述取得之特徵值參數分別輸入至荷爾蒙受體分類預測模型161及人類生長因子受體分類預測模型162中進行荷爾蒙受體（ER、PR）及人類生長因子受體（HER2）的分類預測，以對應產生二組分類預測資訊。並且，將前述取得之特徵值參數亦輸入至腫瘤類型分類預測模型163中進行乳癌類型的分類預測，以預測出乳癌腫瘤類型（Luminal A、Luminal B、HER2、Basal）之分類預測資訊。但在其他實施例中，本案之運算裝置12亦可僅具有其中一種或數種的分類預測模型16，本案不以圖1所繪製的種類及數量為限。

在一實施例中，運算裝置12係內建有四個復發風險預測模型18，包含依據 Oncotype Dx的Rs score檢測方式建立之第一復發風險預測模型181、依據Mammaprint的High、Low risk檢測方式建立之第二復發風險預測模型182、依據PAM50的ROR-C檢測方式建立之第三復發風險預測模型183以及依據EndoPredict的EPClin檢測方式建立之第四復發風險預測模型184，本案以此四個復發風險預測模型18為例，但本案不以此為限，使用之模型數量可依實際需求而有所增減。將前述取得之特徵值參數分別輸入至第一復發風險預測模型181、第二復發風險預測模型182、第三復發風險預測模型183及第四復發風險預測模型184中進行乳癌復發風險預測，以對應產生四組復發風險資訊，此復發風險資訊係可以復發高低及機率百分比來表示，例如High 80％或Low 15％，以提供給醫師參考，作為判斷乳癌復發風險的機率。

請同時參閱圖1及圖2所示，輔助診斷系統10在執行輔助診斷方法時，其詳細流程如步驟S10至S20所示。在此輔助診斷方法中，首先如步驟S10所示，運算裝置12係取得複數磁振造影影像，利用磁振造影儀器對受測者進行拍攝，以拍攝取得複數磁振造影影像，在一實施例中，這些磁振造影影像包含施打顯影劑之前的一第零階動態對比增強磁振造影影像（DCE-MRI Phase 0，以下簡稱Phase 0）、施打顯影劑之後於不同時間點（相隔90或120秒）拍攝的一第一階動態對比增強磁振造影影像（DCE-MRI Phase 1，以下簡稱Phase 1）、一第二階動態對比增強磁振造影影像（DCE-MRI Phase 2，以下簡稱Phase 2）、一第三階動態對比增強磁振造影影像（DCE-MRI Phase 3，以下簡稱Phase 3）、一T2加權磁振造影影像（T2-weighted）以及一表觀擴散係數磁振造影影像（Apparent Diffusion Coefficient，以下簡稱ADC）。

如步驟S11所示，運算裝置12對該些磁振造影影像進行影像前處理中之影像對位（image registration），此影像對位步驟係以該些磁振造影影像的其中之一為基準，對其他磁振造影影像進行對位，以得到對位後的磁振造影影像，在一實施例中，本案係以第一階動態對比增強磁振造影影像（Phase 1）為基準，對其他第零階動態對比增強磁振造影影像（Phase 0）、第二階動態對比增強磁振造影影像（Phase 2）、第三階動態對比增強磁振造影影像（Phase 3）、T2加權磁振造影影像（T2-weighted）及表觀擴散係數磁振造影影像（ADC）進行對位處理，以得到對位後的第零階動態對比增強磁振造影影像（registered-Phase 0）、第二階動態對比增強磁振造影影像（registered-Phase 2）、第三階動態對比增強磁振造影影像（registered-Phase 3）、T2加權磁振造影影像（registered-T2 weighted）及表觀擴散係數磁振造影影像（registered-ADC）。

在完成影像對位之後，如步驟S12所示，進行影像前處理中之影像相減處理，以對位後的磁振造影影像，包含第零階動態對比增強磁振造影影像（registered-Phase 0）、第一階動態對比增強磁振造影影像（Phase 1）、第二階動態對比增強磁振造影影像（registered-Phase 2）、第三階動態對比增強磁振造影影像（registered-Phase 3），進行影像相減，以獲得複數待預測影像。在一實施例中，將第一階動態對比增強磁振造影影像（Phase 1）與第零階動態對比增強磁振造影影像（registered-Phase 0）進行相減、第二階動態對比增強磁振造影影像（registered-Phase 2）與第零階動態對比增強磁振造影影像（registered-Phase 0）進行相減、第三階動態對比增強磁振造影影像（registered-Phase 3）與第零階動態對比增強磁振造影影像（registered-Phase 0）進行相減及第三階動態對比增強磁振造影影像（registered-Phase 3）與第一階動態對比增強磁振造影影像（registered-Phase 1）進行相減，以分別獲得相減後具有亮度變化之動態對比增強磁振造影影像作為待預測影像（Phase 1-0、Phase 2-0、Phase 3-0、Phase 3-1）。另外，對位後之T2加權磁振造影影像（registered-T2 weighted）及表觀擴散係數磁振造影影像（registered-ADC）亦可作為待預測影像。

如步驟S13所示，運算裝置12利用自動分割模型14對待預測影像進行預測，以產生一腫瘤標記結果。在一實施例中，運算裝置12係以待預測影像（Phase 1-0）作為輸入資料，輸入至自動分割模型14中進行運算，以對應產生腫瘤標記結果，以取得腫瘤之位置與大小等資訊。運算裝置12會將此腫瘤標記結果傳送至顯示裝置20，並顯示在顯示裝置20上，以提供醫師預覽功能。

如步驟S14所示，醫師會判斷此腫瘤標記結果中之腫瘤標記的位置與大小是否恰當，以決定是否進行人工校正，若需要進行人工標記，即如步驟S15所示，進行人工標記，以手動調整標記位置，以獲得調整後的腫瘤標記結果；若不需要進行人工標記，則繼續進行下一步驟S16。

如步驟S16所示，運算裝置12根據腫瘤標記結果對該些待預測影像進行特徵抽取，以獲得複數特徵值參數，其中，此特徵值參數包含一影像組學（Radiomics）特徵值以及一關鍵特徵值（top feature）。在一實施例中，運算裝置12根據腫瘤標記結果對待預測影像（Phase 1-0、Phase 2-0、Phase 3-0、Phase 3-1、registered-T2 weighted、registered-ADC）進行特徵抽取，且運算裝置12係利用一階統計（First Order Statistic）、基於形狀之2D/3D、相依矩陣（Dependence Matrix，DM）、長度矩陣（Run Length Matrix，MLM）、區域大小矩陣（Size Zone Matrix，SZM）或共生矩陣（Co-occurrence Matrix，CM）等數學模型進行特徵抽取，以獲得影像組學特徵值。在一實施例中，運算裝置12根據腫瘤標記結果對待預測影像（Phase 1-0、Phase 2-0、Phase 3-0）進行特徵抽取，且運算裝置12係利用位於顯影增強峰值的腫瘤體素比例（Higher proportion of peak enhancement tumor voxel）、腫瘤體素的顯影增強速率的均值與變異數（Mean and variance of washin slope of tumor voxels）、腫瘤的顯影衰退所佔體積比例（ signal enhancement ratio based on washout tumor volume）等數學模型進行特徵抽取，以獲得關鍵特徵值。

在取得影像組學特徵值及關鍵特徵值等之特徵值參數後，即可分別進行如步驟S17之受體分類預測、如步驟S18之腫瘤類型分類預測及如步驟S19之復發風險預測。在步驟S17之受體分類預測中，運算裝置12將包含影像組學特徵值及關鍵特徵值之特徵值參數分別輸入至荷爾蒙受體分類預測模型161與人類生長因子受體分類預測模型162中，使荷爾蒙受體分類預測模型161根據特徵值參數對應產生荷爾蒙受體（ER、PR）的分類預測資訊，並使人類生長因子受體分類預測模型162根據特徵值參數對應產生人類生長因子受體（HER2）的分類預測資訊。在步驟S18之腫瘤類型分類預測中，運算裝置12將包含影像組學特徵值及關鍵特徵值之特徵值參數輸入至腫瘤類型分類預測模型163中，使腫瘤類型分類預測模型163根據特徵值參數對應產生腫瘤類型（Luminal A、Luminal B、HER2、Basal）的分類預測資訊，且此分類預測資訊包含腫瘤類型及其對應之最大機率。在步驟S19之復發風險預測中，運算裝置12將包含影像組學特徵值及關鍵特徵值之特徵值參數分別輸入至對應四種檢測方式之第一復發風險預測模型181、第二復發風險預測模型182、第三復發風險預測模型183及第四復發風險預測模型184中，使第一復發風險預測模型181根據特徵值參數產生對應Oncotype Dx的Rs score檢測方式的復發風險資訊、第二復發風險預測模型182根據特徵值參數產生對應Mammaprint的High、Low risk檢測方式的復發風險資訊、第三復發風險預測模型183根據特徵值參數產生對應PAM50的ROR-C檢測方式的復發風險資訊與第四復發風險預測模型184根據特徵值參數產生對應EndoPredict的EPClin檢測方式的復發風險資訊，共四組高低風險的復發風險資訊。

最後，如步驟S20所示，運算裝置12輸出包含分類預測資訊與復發風險資訊等之預測結果以及腫瘤標記結果（標記影像），並將這些預測結果及腫瘤標記結果顯示在顯示裝置20上，以方便醫師觀看，提供醫師做更準確的判斷，輔助醫師據此輸入最後診斷而產生最終報告。

在另一實施例中，請同時參閱圖1及圖3所示，如步驟S21所示，運算裝置12更可根據動態對比增強磁振造影影像（Phase 0、Phase 1、Phase 3）進行動力曲線分析（Kinetic Curve Analysis），以產生一動力曲線分析圖，其中此動力曲線分析圖上包含第1型之持續上升型（Persistent）曲線、第2型平台型（Plateau）曲線以及第3型之顯影衰退型（Washout）曲線等三種類型曲線，並將這三種類型曲線視覺化，以不同顏色或不同線條標示，以輔助醫師快速判斷腫瘤組織之動力曲線分佈。且運算裝置12係將動力曲線分析圖傳送至顯示裝置20。最後，如步驟S22所示，運算裝置12輸出包含分類預測資訊、復發風險資訊等之預測結果、腫瘤標記結果及動力曲線分析圖，並將這些預測結果、腫瘤標記結果及動力曲線分析圖顯示在顯示裝置20上，輔助醫師輸入最後診斷而產生最終報告。其餘之步驟則與前述圖2所示之實施例相同，故於此不再贅述。

如圖1所示，運算裝置12內的自動分割模型14、荷爾蒙受體分類預測模型161、人類生長因子受體分類預測模型162、腫瘤類型分類預測模型163、第一復發風險預測模型181、第二復發風險預測模型182、第三復發風險預測模型183及第四復發風險預測模型184係分別為一獨立之人工智慧（AI）模型，並分別為經過訓練之深度學習模型，基此，本案在使用這些模型之前，要先建立並訓練這些模型。

在一實施例中，如圖1所示，本案在使用自動分割模型14進行自動標記前，更可先利用運算裝置12訓練出自動分割模型14。與前述影像前處理相同，在取得相減後之動態對比增強磁振造影影像（Phase 1-0），以此動態對比增強磁振造影影像（Phase 1-0）作為輸入資料。另以人工標示腫瘤的方式在磁振造影影像上進行標記，作為標記資料，然後根據輸入資料與標記資料對一3D U-net模型進行訓練，以得到自動分割模型14，訓練好之自動分割模型14即可用來進行推論產生腫瘤標記結果。

在一實施例中，如圖1所示，本案在使用荷爾蒙受體分類預測模型161及人類生長因子受體分類預測模型162進行分類預測時，更可先利用運算裝置12訓練出荷爾蒙受體分類預測模型161及人類生長因子受體分類預測模型162。與圖2及圖3所示之步驟S16對影像進行特徵抽取之步驟相同，在取得特徵值參數（影像組學特徵值及關鍵特徵值）時，以此影像組學特徵值及關鍵特徵值作為輸入資料。另將病患乳癌切片檢體做荷爾蒙受體與人類生長因子受體檢測後之三種結果（ER +/-、PR +/-、HER2 +/-）作為標記資料。將標記資料分為荷爾蒙受體ER、PR一類，人類生長因子受體HER2一類，然後根據輸入資料與標記資料對二人工智慧模型各自進行訓練，以分別得到荷爾蒙受體分類預測模型161及人類生長因子受體分類預測模型162，訓練好之荷爾蒙受體分類預測模型161即可用來進行荷爾蒙受體（ER、PR）的分類預測，訓練好之人類生長因子受體分類預測模型162即可用來進行人類生長因子受體（HER2）的分類預測。

在一實施例中，如圖1所示，本案在使用腫瘤類型分類預測模型163進行分類預測時，更可先利用運算裝置12訓練出腫瘤類型分類預測模型163。與圖2及圖3所示之步驟S16對影像進行特徵抽取之步驟相同，在取得特徵值參數（影像組學特徵值及關鍵特徵值）時，以此影像組學特徵值及關鍵特徵值作為輸入資料。另將病患乳癌切片檢體做腫瘤類型基因檢測後之實際結果（Luminal A、Luminal B、HER2、Basal）作為標記資料。然後根據輸入資料與標記資料對人工智慧模型進行訓練，以得到腫瘤類型分類預測模型163，訓練好之腫瘤類型分類預測模型163即可用來進行腫瘤類型（Luminal A、Luminal B、HER2、Basal）的分類預測。

在一實施例中，如圖1所示，本案在使用復發風險預測模型18進行分類預測時，更可先利用運算裝置12訓練出復發風險預測模型18（包含第一復發風險預測模型181、第二復發風險預測模型182、第三復發風險預測模型183及第四復發風險預測模型184）。與圖2及圖3所示之步驟S16對影像進行特徵抽取之步驟相同，在取得特徵值參數（影像組學特徵值及關鍵特徵值）時，以此影像組學特徵值及關鍵特徵值作為輸入資料。另將病患乳癌切片檢體做乳癌基因檢測，依據Oncotype Dx的Rs score、Mammaprint的High、Low risk、PAM50的ROR-C及EndoPredict的EPClin四種檢測方式，產生對應之高、低風險結果，以分別作為四組標記資料。然後根據輸入資料與四組標記資料分別對四個人工智慧模型進行個別訓練，以得到四組復發風險預測模型18，第一復發風險預測模型181、第二復發風險預測模型182、第三復發風險預測模型183及第四復發風險預測模型184，訓練好之復發風險預測模型18即可用來進行復發風險預測。

以上所述之實施例僅係為說明本案之技術思想及特點，其目的在使熟悉此項技術者能夠瞭解本案之內容並據以實施，當不能以之限定本案之專利範圍，即大凡依本案所揭示之精神所作之均等變化或修飾，仍應涵蓋在本案之申請專利範圍內。

10:輔助診斷系統 12:運算裝置 14:自動分割模型 16:分類預測模型 161:荷爾蒙受體分類預測模型 162:人類生長因子受體分類預測模型 163:腫瘤類型分類預測模型 18:復發風險預測模型 181:第一復發風險預測模型 182:第二復發風險預測模型 183:第三復發風險預測模型 184:第四復發風險預測模型 20:顯示裝置 S10~S22:步驟

圖1為根據本案一實施例之輔助診斷系統的方塊示意圖。圖2為根據本案一實施例之輔助診斷方法的流程示意圖。圖3為根據本案另一實施例之輔助診斷方法的流程示意圖。

10:輔助診斷系統

12:運算裝置

14:自動分割模型

16:分類預測模型

161:荷爾蒙受體分類預測模型

162:人類生長因子受體分類預測模型

163:腫瘤類型分類預測模型

18:復發風險預測模型

181:第一復發風險預測模型

182:第二復發風險預測模型

183:第三復發風險預測模型

184:第四復發風險預測模型

20:顯示裝置

Claims

一種輔助診斷系統，包含：一運算裝置，其係接收複數磁振造影影像，並對該些磁振造影影像進行影像前處理，以獲得複數待預測影像，該運算裝置利用一自動分割模型對該待預測影像進行預測，以產生一腫瘤標記結果，該運算裝置根據該腫瘤標記結果對該些待預測影像進行特徵抽取，以獲得複數特徵值參數，並將該些特徵值參數分別輸入至少一分類預測模型以及至少一復發風險預測模型中進行預測，使該分類預測模型根據該些特徵值參數產生對應的一分類預測資訊以及使該復發風險預測模型根據該些特徵值參數產生對應的一復發風險資訊；以及一顯示裝置，電性連接該運算裝置，以顯示該腫瘤標記結果、該分類預測資訊以及該復發風險資訊。
如請求項1所述之輔助診斷系統，其中該些磁振造影影像包含施打顯影劑之前的一第零階磁振造影影像、施打顯影劑之後於不同時間點拍攝的一第一階磁振造影影像、一第二階磁振造影影像及一第三階磁振造影影像、一T2加權磁振造影影像以及一表觀擴散係數磁振造影影像。
如請求項1所述之輔助診斷系統，其中該影像前處理更包含：以該些磁振造影影像的其中之一為基準，該運算裝置對其他該些磁振造影影像進行對位，以得到對位後的該些磁振造影影像，再以對位後的該些磁振造影影像進行影像相減，以獲得該些待預測影像。
如請求項1所述之輔助診斷系統，其中該腫瘤標記結果係包含腫瘤的位置及大小。
如請求項1所述之輔助診斷系統，其中該特徵值參數包含一影像組學特徵值以及一關鍵特徵值。
如請求項5所述之輔助診斷系統，其中該運算裝置係利用一階統計、基於形狀之2D/3D、相依矩陣、長度矩陣、區域大小矩陣或共生矩陣等數學模型進行該特徵抽取，以獲得該影像組學特徵值。
如請求項5所述之輔助診斷系統，其中該運算裝置係利用位於顯影增強峰值的腫瘤體素比例、腫瘤體素的顯影增強速率的均值與變異數、腫瘤的顯影衰退所佔體積比例等數學模型進行該特徵抽取，以獲得該關鍵特徵值。
如請求項1所述之輔助診斷系統，其中該分類預測模型包含一受體分類預測模型以及一腫瘤類型分類預測模型。
如請求項8所述之輔助診斷系統，其中該受體分類預測模型更包含一荷爾蒙受體分類預測模型以及一人類生長因子受體分類預測模型，以利用該荷爾蒙受體分類預測模型產生荷爾蒙受體的該分類預測資訊，以及利用該人類生長因子受體分類預測模型產生人類生長因子受體的該分類預測資訊。
如請求項1所述之輔助診斷系統，其中該運算裝置更可根據該些磁振造影影像進行動力曲線分析，以產生一動力曲線分析圖，且該運算裝置係將該動力曲線分析圖傳送至該顯示裝置，並顯示在該顯示裝置上。
一種輔助診斷方法，包含：取得複數磁振造影影像；對該些磁振造影影像進行影像前處理，以獲得複數待預測影像；利用一自動分割模型，對該待預測影像進行預測，以產生一腫瘤標記結果；根據該腫瘤標記結果，對該些待預測影像進行特徵抽取，以獲得複數特徵值參數；以及將該些特徵值參數分別輸入至少一分類預測模型以及至少一復發風險預測模型中進行預測，使該分類預測模型根據該些特徵值參數產生對應的一分類預測資訊以及使該復發風險預測模型根據該些特徵值參數產生對應的一復發風險資訊。
如請求項11所述之輔助診斷方法，其中該些磁振造影影像包含施打顯影劑之前的一第零階動態對比增強磁振造影影像、施打顯影劑之後於不同時間點拍攝的一第一階動態對比增強磁振造影影像、一第二階動態對比增強磁振造影影像及一第三階動態對比增強磁振造影影像、一T2加權磁振造影影像以及一表觀擴散係數磁振造影影像。
如請求項11所述之輔助診斷方法，其中該影像前處理更包含：以該些磁振造影影像的其中之一為基準，對其他該些磁振造影影像進行對位，以得到對位後的該些磁振造影影像；以及以對位後的該些磁振造影影像進行影像相減，以獲得該些待預測影像。
如請求項11所述之輔助診斷方法，其中該腫瘤標記結果係包含腫瘤的位置及大小。
如請求項11所述之輔助診斷方法，其中該特徵值參數包含一影像組學特徵值以及一關鍵特徵值。
如請求項15所述之輔助診斷方法，其中在該特徵抽取之步驟中，係利用一階統計、基於形狀之2D/3D、相依矩陣、長度矩陣、區域大小矩陣或共生矩陣等數學模型進行該特徵抽取，以獲得該影像組學特徵值。
如請求項15所述之輔助診斷方法，其中在該特徵抽取之步驟中，係利用位於顯影增強峰值的腫瘤體素比例、腫瘤體素的顯影增強速率的均值與變異數、腫瘤的顯影衰退所佔體積比例等數學模型進行該特徵抽取，以獲得該關鍵特徵值。
如請求項11所述之輔助診斷方法，其中該分類預測模型包含一受體分類預測模型以及一腫瘤類型分類預測模型。
如請求項18所述之輔助診斷方法，其中該受體分類預測模型更包含一荷爾蒙受體分類預測模型以及一人類生長因子受體分類預測模型，以利用該荷爾蒙受體分類預測模型產生荷爾蒙受體的該分類預測資訊，以及利用該人類生長因子受體分類預測模型產生人類生長因子受體的該分類預測資訊。
如請求項11所述之輔助診斷方法，更包括：根據該些磁振造影影像進行動力曲線分析，以產生一動力曲線分析圖。