TWI817795B - 癌症進展判別方法及其系統 - Google Patents
癌症進展判別方法及其系統 Download PDFInfo
- Publication number
- TWI817795B TWI817795B TW111141152A TW111141152A TWI817795B TW I817795 B TWI817795 B TW I817795B TW 111141152 A TW111141152 A TW 111141152A TW 111141152 A TW111141152 A TW 111141152A TW I817795 B TWI817795 B TW I817795B
- Authority
- TW
- Taiwan
- Prior art keywords
- immune cell
- cancer progression
- cell group
- group data
- cd56b
- Prior art date
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 101
- 201000011510 cancer Diseases 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000002865 immune cell Anatomy 0.000 claims abstract description 93
- 238000000513 principal component analysis Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 210000000822 natural killer cell Anatomy 0.000 claims description 22
- 208000037821 progressive disease Diseases 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 7
- 101001023379 Homo sapiens Lysosome-associated membrane glycoprotein 1 Proteins 0.000 claims description 6
- 101000971513 Homo sapiens Natural killer cells antigen CD94 Proteins 0.000 claims description 6
- 102100035133 Lysosome-associated membrane glycoprotein 1 Human genes 0.000 claims description 6
- 102100021462 Natural killer cells antigen CD94 Human genes 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 210000001616 monocyte Anatomy 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 210000004424 intermediate monocyte Anatomy 0.000 claims description 3
- 238000011430 maximum method Methods 0.000 claims 1
- 238000012850 discrimination method Methods 0.000 abstract 1
- 238000011282 treatment Methods 0.000 description 11
- 230000006866 deterioration Effects 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 210000005259 peripheral blood Anatomy 0.000 description 8
- 239000011886 peripheral blood Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000002659 cell therapy Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000000684 flow cytometry Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000000581 natural killer T-cell Anatomy 0.000 description 2
- 210000001744 T-lymphocyte Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000003719 b-lymphocyte Anatomy 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000005260 human cell Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011275 oncology therapy Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000002626 targeted therapy Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本發明係關於一種癌症進展判別方法及其系統,評估方法包含下列步驟:通過輸入裝置輸入複數個免疫細胞群數據,儲存於儲存裝置;藉由處理器存取儲存裝置,對複數個免疫細胞群數據進行生物統計分析,找出具有顯著差異之免疫細胞群數據,接著將具有顯著差異之免疫細胞群數據以主成分分析(PCA)演算法建立癌症進展判別模型;通過輸入裝置取得待評估免疫細胞群數據,以處理器進行判讀程序獲得癌症進展判讀結果;藉由輸出裝置將癌症進展判讀結果輸出。所述系統包括輸入裝置、儲存裝置、處理器及輸出裝置。
Description
本發明是關於一種癌症進展判別方法及其系統,特別是關於一種利用生物統計分析結合主成分分析(principal component analysis,PCA)演算法,對藉由流式細胞儀分析所得之免疫細胞群數據進行分析,進而可正確預測癌症進展之判別方法及其系統。
由於現代人的飲食及作息習慣改變,抑或是文明高度發展下造成之環境汙染或輻射等因素,現代人容易罹患各類疾病,嚴重時可能導致人體的細胞產生突變,且導致該突變細胞不正常增生,進而形成腫瘤,如持續惡化並形成惡性腫瘤(Malignant Tumor),即為所謂的癌症。
世界衛生組織(World Health Organization,WHO)指出,癌症為全球頭號死因之一,在2021年奪去近千萬條人命;而在台灣,癌症更連續數十年蟬聯十大死因之首,且因人口老化快速及不健康的生活型態,癌症發生人數預計仍會持續攀升。
近年來,隨著機器學習的高速發展,以及醫學與人工智慧的不斷融合,採用電腦方法以輔助研究醫學及生物領域的相關問題為一強而有力的工具。
目前癌症的治療方法主要分為手術切除、放射線療法、化學療法、標靶治療以及細胞療法;其中,細胞療法(Cytokine-Induced Killer,CIK)為目前特管辦法中通過比較例高之項目,其優於上述傳統癌症療法,但全球仍只有10~30%的治療成功率,且市場上無可判別細胞療法相關療效預測系統。
綜上所述,對於癌症治療的臨床實務上迫切需要有效的判別方式介入,提供醫師額外的患者免疫相關數據作為參考,以加速選擇醫療決策、提高患者治療意願及減少不必要資源浪費。
有鑑於上述習知癌症治療之判別問題,本發明之目的在於提供一種癌症進展判別方法及其系統,以降低人為判別所造成之誤判且難以快速選擇醫療決策之問題。
根據本發明之一目的,提出一種癌症進展判別方法,其包含下列步驟:通過輸入裝置輸入複數個免疫細胞群數據,儲存於儲存裝置;藉由處理器存取儲存裝置,對複數個免疫細胞群數據進行生物統計分析,找出具有顯著差異之免疫細胞群數據,接著將具有顯著差異之免疫細胞群數據以主成分分析(PCA)演算法進行運算,以建立癌症進展判別模型;通過輸入裝置取得待評估免疫細胞群數據,以處理器進行判讀程序獲得癌症進展判讀結果;藉由輸出裝置存取儲存裝置,將癌症進展判讀結果輸出。
免疫細胞群數據係收集執行CIK療程之癌症患者進入療程前之周邊血液檢體,並使用流式細胞儀對所述周邊血液檢體進行分析,以獲得該等癌症患者之免疫細胞群數據;其中,免疫細胞群數據即為不同種類細胞佔整個細胞群之數量比例。
由於免疫細胞群數量較多,直接以機器學習之方式對大量的免疫細胞群數據進行訓練之效率及準確度較低,因此先將大量的免疫細胞群數據進行生物統計分析,找出具有顯著差異之免疫細胞群進行機器學習,可大幅提升機器學習的訓練效率以及準確度。
生物統計分析係以固體腫瘤反應評估標準(Response Evaluation Criteria in Solid Tumors,RECIST criteria)作為分析依據,在大量的免疫細胞群數據中找出具有顯著差異的免疫細胞群。
固體腫瘤反應評估標準,其係依據癌症治療過程中的腫瘤大小變化分為四個階段,即完全緩解(complete response,CR)、部分緩解(partial response,PR)、無變化(stable disease,SD)以及惡化(progressive disease,PD)進行分類;但因由癌症患者收集而來之周邊血液檢體樣本的免疫細胞群數據差異較大,故將其分類縮減為三個階段,即以惡化(PD)、無變化(SD),以及緩解(PR與CR)進行分類。
接著,將具有顯著差異之免疫細胞群數據,以主成分分析(PCA)演算法訓練模型,並於訓練模型時,將主成分分析演算法所得之數值,以不同分群距離的中間點作為閥值,依據其閥值區間進行分類,以獲得癌症進展判別模型。
最後,將待評估免疫細胞群數據利用癌症進展判別模型進行判別,獲得癌症進展判讀結果;由癌症進展判讀結果,可得知待評估癌症患者目前的癌症進展為惡化(PD)、無變化(SD),以及緩解(PR與CR)等三個階段中的何者階段。
根據本發明之另一目的,提出一種癌症進展判別系統,其包含輸入裝置、儲存裝置、處理器及輸出裝置。其中,輸入裝置用以輸入複數個免疫細胞群數據以及待評估免疫細胞群數據;儲存裝置連接於輸入裝置,用以儲存複數個免疫細胞群數據以及待評估免疫細胞群數據;輸出裝置連接於儲存裝置,用以輸出癌症進展判讀結果;處理器連接於儲存裝置,執行複數個指令以施行下列步驟:對複數個免疫細胞群數據進行生物統計分析,找出具有顯著差異之免疫細胞群數據;將具有顯著差異之免疫細胞群數據以主成分分析(PCA)演算法進行運算,以建立癌症進展判別模型;依據癌症進展判別模型,對待評估免疫細胞群數據進行判讀程序以獲得癌症進展判讀結果;藉由輸出裝置存取儲存裝置,將癌症進展判讀結果輸出。
承上所述,使用本發明之癌症進展判別方法及其系統,可快速且準確地判別癌症患者目前的癌症進展階段,並減輕醫師之負擔並降低不同醫師入為判斷標準不一之問題,以利後續醫師正確判別癌症患者病況,並可盡快選擇相應之醫療決策。
20:癌症進展判別系統
21:輸入裝置
22:儲存裝置
23:處理器
24:輸出裝置
S1~S4:步驟
為使本發明之技術特徵、內容與優點及其所能達成之功效更為顯而易見,茲將本發明配合附圖,並以實施例之表達形式詳細說明如下:第1圖係為本發明實施例之癌症進展判別方法的流程圖;第2圖係為對免疫細胞群數據進行生物統計分析後,以縮減之RECIST criteria進行分類後無顯著差異之免疫細胞群的示意圖,其中,橫坐標之A代表惡化(PD)、B代表無變化(SD)、C代表緩解(PR與CR);
第3圖係為對免疫細胞群數據進行生物統計分析後,以縮減之RECIST criteria進行分類後有顯著差異之免疫細胞群的示意圖,其中,橫坐標之A代表惡化(PD)、B代表無變化(SD)、C代表緩解(PR與CR);第4圖係為本發明實施例之癌症進展判別系統的示意圖。
為利貴審查委員瞭解本發明之技術特徵、內容與優點及其所能達成之功效,茲將本發明配合附圖,並以實施例之表達形式詳細說明如下,而其中所使用之圖式,其主旨僅為示意及輔助說明書之用,未必為本發明實施後之真實比例與精準配置,故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍,合先敘明。
除非另有定義,本文所使用的所有術語(包括技術和科學術語)具有與本發明所屬技術領域的通常知識者通常理解的含義。將進一步理解的是,諸如在通常使用的字典中定義的那些術語應當被解釋為具有與它們在相關技術和本發明的上下文中的含義一致的含義,並且將不被解釋為理想化的或過度正式的意義,除非本文中明確地如此定義。
請參閱第1圖,其係為本發明實施例之癌症進展判別方法的流程圖。如第1圖所示,癌症進展判別方法包含以下步驟(S1~S4):
步驟S1:通過輸入裝置輸入複數個免疫細胞群數據,儲存於儲存裝置。
通過輸入裝置將能蒐集到的免疫細胞群數據輸入至系統的儲存裝置當中,這裡所述的輸入裝置並不局限於取得免疫細胞群數據的流式細胞
儀,在醫療院所的資料庫中儲存的免疫細胞群數據,也可通過實體線路、儲存裝置的檔案傳送,或者通過有線或無線網路傳輸將免疫細胞群數據的檔案輸入至系統資料庫當中,作為模型建構的訓練資料。
其中,複數個免疫細胞群數據係收集執行CIK療程之單一癌症患者進入療程前之周邊血液檢體後,以流式細胞儀對周邊血液檢體進行分析所得;因此,每一位癌症患者的周邊血液檢體均有複數個免疫細胞群數據,複數個免疫細胞群數據具體為82個免疫細胞群數據(如前述表1所示)。
此外,在建立癌症進展評估模型前,先將不同癌症患者身上取得之周邊血液檢體樣本先依據縮減之RECIST criteria分為三大類,即以惡化(PD)、無變化(SD),以及緩解(PR與CR)進行分類。
步驟S2:藉由處理器存取儲存裝置,對複數個免疫細胞群數據進行生物統計分析,找出具有顯著差異之免疫細胞群數據,接著將具有顯著差異之免疫細胞群數據以主成分分析(PCA)演算法進行運算,以建立癌症進展判別模型。
由於免疫細胞群數量較多,直接以機器學習之方式對大量的免疫細胞群數據進行訓練之效率及準確度較低,因此先將大量的免疫細胞群數據進行生物統計分析,找出具有顯著差異之免疫細胞群進行機器學習,可大幅提升機器學習的訓練效率以及準確度。
較佳地,生物統計分析係利用GraphPad Prism進行分析,其係以縮減之RECIST criteria作為分析依據,在82個免疫細胞群數據(如前述表1所示)中找出具有顯著差異的免疫細胞群。
請參閱第2圖,其係為對免疫細胞群數據進行生物統計分析後,以縮減之RECIST criteria進行分類後無顯著差異之免疫細胞群的示意圖,其中,橫坐標之A代表惡化(PD)、B代表無變化(SD)、C代表緩解(PR與CR)。由第2圖所示,一般常用於判別癌症進展階段之免疫細胞群如B細胞(B)、T細胞(T)、自然殺手細胞(NK)、自然殺手T細胞(NKT)以及單核細胞(Monocyte),該等細胞群於惡化(PD)、無變化(SD)以及緩解(PR與CR)等不同階段中,均無顯著差異,因此排除該等細胞群進行後續之機器學習;其他無顯著差異之細胞群則不一一列舉。
請再參閱第3圖,其係為對免疫細胞群數據進行生物統計分析後,以縮減之RECIST criteria進行分類後有顯著差異之免疫細胞群的示意圖,其中,橫坐標之A代表惡化(PD)、B代表無變化(SD)、C代表緩解(PR與CR)。由第3圖所示,CD56b自然殺手細胞(CD56b NK)、CD11a+CD56b自然殺手細胞(CD11a+CD56b NK)、CD94+CD56b自然殺手細胞(CD94+CD56b NK)、CD107a+CD56b自然殺手細胞(CD107a+CD56b NK)以及中間型單核細胞(Inter. Monocyte),該等細胞群於惡化(PD)、無變化(SD)以及緩解(PR與CR)等不同階段中,均有顯著差異。
其中,CD56b自然殺手細胞(CD56b NK)、CD11a+CD56b自然殺手細胞(CD11a+CD56b NK)、CD94+CD56b自然殺手細胞(CD94+CD56b NK)以及CD107a+CD56b自然殺手細胞(CD107a+CD56b NK)於A及C之間具有顯著差異;而中間型單核細胞(Inter. Monocyte)則於B及C之間具有顯著差異。
接著,將上述具有顯著差異之5種免疫細胞群數據,以主成分分析(PCA)演算法訓練模型,並於訓練模型時,將主成分分析演算法所得之數值,
以不同分群距離的中間點作為閥值,依據其閥值區間進行分類,以獲得癌症進展判別模型。
其中,所述主成分分析(PCA)演算法,係使用Scikit-learn中sklearn.decomposition.PCA函式進行演算,藉由線性降維之方式使維度為1,進而可將所得之數值壓縮呈現性分佈。
較佳地,以主成分分析演算法訓練癌症進展判別模型時,將經主成分分析演算法所得之數值進一步正規化,使經癌症進展判別模型判別後所得之癌症進展判讀結果皆落在0~1的區間內,可更直觀判別免疫細胞群數據分佈情形;其中,所述正規化係使用最小值最大值法(Min-Max Normalization)進行正規化。
正規化後之經主成分分析演算法所得之數值,如介於0.5~1之間,則判別為惡化(PD);如介於0.1~0.5之間,則判別為無變化(SD);如介於0~0.1之間,則判別為緩解(PR與CR)。
步驟S3:通過輸入裝置取得待評估免疫細胞群數據,以處理器進行判讀程序獲得癌症進展判讀結果。
經過上述步驟S2建立之癌症進展判別模型,將待評估免疫細胞群數據利用該模型進行評估,獲得癌症進展判讀結果;由癌症進展判讀結果,可得知待評估癌症患者目前的癌症進展為惡化(PD)、無變化(SD)或緩解(PR與CR)等三個階段中的何者階段;參考表2,表2為實際對21名癌症患者以癌症進展判別模型進行判讀,其判讀結果準確度(正確率)可達8成以上。這裡所述的輸入裝置同前文所述,於此不再贅述。
步驟S4:藉由輸出裝置存取儲存裝置,將癌症進展判讀結果輸出。
經過上述步驟S3獲得之癌症進展判讀結果,可進一步通過輸出裝置將其輸出。本實施例所揭露的輸出裝置可包含各種顯示介面,例如電腦螢幕、顯示器或手持裝置顯示器等。
請參閱第4圖,其係為本發明實施例之癌症進展判別系統的示意圖。如第4圖所示,癌症進展判別系統20可包含輸入裝置21、儲存裝置22、處理器23及輸出裝置24。
在本實施例中,輸入裝置21為流式細胞儀,其藉由收集執行CIK療程之癌症患者進入療程前之周邊血液檢體對其進行分析,以獲得免疫細胞群數據。在另一實施例中,輸入裝置21不限於流式細胞儀,輸入裝置21可包含個人電腦、智慧型手機、伺服器等電子裝置的輸入界面,包含觸控螢幕、鍵盤、滑鼠等,透過檔案方式傳送免疫細胞群數據;抑或是將歷史資料透過無線網路傳輸、無線通訊傳輸或一般有線網際網路上傳到儲存裝置22當中的記憶體儲存,記憶體可包含唯讀記憶體、快閃記憶體、磁碟或是雲端資料庫等。
接著,癌症進展判別系統20通過處理器23來存取儲存裝置22,處理器23可包含電腦或伺服器當中的中央處理器、圖像處理器、微處理器等,其可包含多核心的處理單元或者是多個處理單元的組合。處理器23執行指令來存取儲存裝置22中的複數個免疫細胞群數據進行訓練程序,並存取待評估免疫細胞群數據來進行判讀程序。詳細來說,訓練程序是將原本儲存裝置22當中的複數個免疫細胞群數據,對複數個免疫細胞群數據進行生物統計分析,找出具有顯著差異之免疫細胞群數據,將具有顯著差異之免疫細胞群數據以主成分分析(PCA)演算法進行運算,以建立癌症進展判別模型。
接著,待評估免疫細胞群數據藉由判讀程序,通過所建立之癌症進展判別模型進行演算後,依據經縮減之RECIST criteria將該待評估免疫細胞群數據歸類為惡化(PD)、無變化(SD)或者緩解(PR與CR)中的其中一者,以獲得癌症進展判讀結果;輸出裝置24存取儲存裝置22將癌症進展判讀結果輸出,輸出裝置24可包含各種顯示介面,例如電腦螢幕、顯示器或手持裝置顯示器等。
經由上述癌症進展評估方法及其系統,可大幅降低降低醫師的負荷量,減少人工判讀的錯誤而使癌症進展診斷產生偏差;再者,使用此癌症進
展評估方法及其系統,可快速且準確地判別癌症患者目前的癌症進展階段,其判別準確度可達8成以上,以利後續醫師正確評估癌症患者病況,並可盡快選擇相應之醫療決策。
以上所述僅為舉例性,而非為限制性者。任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
S1~S4:步驟
Claims (10)
- 一種癌症進展判別方法,其包含下列步驟:步驟S1:通過一輸入裝置輸入複數個免疫細胞群數據,儲存於一儲存裝置;步驟S2:藉由一處理器存取該儲存裝置,對該複數個免疫細胞群數據進行一生物統計分析,找出具有顯著差異之免疫細胞群數據,接著將該具有顯著差異之免疫細胞群數據以一主成分分析(PCA)演算法進行運算,以建立一癌症進展判別模型;步驟S3:通過該輸入裝置取得一待評估免疫細胞群數據,以該處理器進行一判讀程序獲得一癌症進展判讀結果;以及步驟S4:藉由一輸出裝置存取該儲存裝置,將該癌症進展判讀結果輸出,其中在步驟S1中,該複數個免疫細胞群數據先依據固體腫瘤反應評估標準(RECIST criteria)分為惡化(progressive disease,PD)、無變化(stable disease,SD)以及緩解(partial response and complete response,PR與CR)三大類;以及步驟S1至步驟S4均係由電腦軟體所完成。
- 如請求項1所述之癌症進展判別方法,其中該輸入裝置為流式細胞儀。
- 如請求項1所述之癌症進展判別方法,其中該複數個免疫細胞群數據具體為82個免疫細胞群數據。
- 如請求項1所述之癌症進展判別方法,其中該生物統計分析係利用GraphPad Prism進行分析。
- 如請求項1所述之癌症進展判別方法,其中該具有顯著差異之免疫細胞群數據為CD56b自然殺手細胞(CD56b NK)、CD11a+CD56b自然殺手細胞(CD11a+CD56b NK)、CD94+CD56b自然殺手細胞(CD94+CD56b NK)、CD107a+CD56b自然殺手細胞(CD107a+CD56b NK)以及中間型單核細胞(Inter. Monocyte)。
- 如請求項1至請求項5中任一項所述之癌症進展判別方法,其中在步驟S2中,將該具有顯著差異之免疫細胞群數據以該主成分分析(PCA)演算法進行運算後獲得一數值,並將該數值以不同分群距離的中間點作為一閥值,依據該閥值區間進行分類。
- 如請求項6所述之癌症進展判別方法,其中該數值進一步以最小值最大值法進行正規化。
- 如請求項7所述之癌症進展判別方法,其中該數值介於0.5~1之間,則判別為惡化;該數值介於0.1~0.5之間,則判別為無變化;以及該數值介於0~0.1之間,則判別為緩解。
- 一種癌症進展判別系統,其包含:一輸入裝置,係輸入複數個免疫細胞群數據以及一待評估免疫細胞群數據;一儲存裝置,連接於該輸入裝置,儲存該複數個免疫細胞群數據及該待評估免疫細胞群數據;一輸出裝置,連接於該儲存裝置,係用以輸出一癌症進展判讀結果;以及一處理器,連接於該儲存裝置,執行複數個指令以施行下列步 驟:對該複數個免疫細胞群數據進行生物統計分析,找出具有顯著差異之免疫細胞群數據;將該具有顯著差異之免疫細胞群數據以一主成分分析(PCA)演算法進行運算,以建立一癌症進展判別模型;依據該癌症進展判別模型,對該待評估免疫細胞群數據進行一判讀程序以獲得一癌症進展判讀結果;以及藉由該輸出裝置存取該儲存裝置,將該癌症進展判讀結果輸出。
- 如請求項9所述之癌症進展判別系統,其中該輸入裝置為流式細胞儀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111141152A TWI817795B (zh) | 2022-10-28 | 2022-10-28 | 癌症進展判別方法及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111141152A TWI817795B (zh) | 2022-10-28 | 2022-10-28 | 癌症進展判別方法及其系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI817795B true TWI817795B (zh) | 2023-10-01 |
TW202418295A TW202418295A (zh) | 2024-05-01 |
Family
ID=89858000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111141152A TWI817795B (zh) | 2022-10-28 | 2022-10-28 | 癌症進展判別方法及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI817795B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200005931A1 (en) * | 2018-06-28 | 2020-01-02 | Case Western Reserve University | Predicting prostate cancer risk of progression with multiparametric magnetic resonance imaging using machine learning and peritumoral radiomics |
CN112930407A (zh) * | 2018-11-02 | 2021-06-08 | 加利福尼亚大学董事会 | 使用非人类核酸诊断和治疗癌症的方法 |
CN113286883A (zh) * | 2018-12-18 | 2021-08-20 | 格里尔公司 | 使用rna分析以检测疾病的方法 |
-
2022
- 2022-10-28 TW TW111141152A patent/TWI817795B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200005931A1 (en) * | 2018-06-28 | 2020-01-02 | Case Western Reserve University | Predicting prostate cancer risk of progression with multiparametric magnetic resonance imaging using machine learning and peritumoral radiomics |
CN112930407A (zh) * | 2018-11-02 | 2021-06-08 | 加利福尼亚大学董事会 | 使用非人类核酸诊断和治疗癌症的方法 |
CN113286883A (zh) * | 2018-12-18 | 2021-08-20 | 格里尔公司 | 使用rna分析以检测疾病的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210041440A1 (en) | Methods and apparatus for identifying disease status using biomarkers | |
WO2020220635A1 (zh) | 药品分类方法、装置、计算机设备及存储介质 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
CN113345577B (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
CN110634563A (zh) | 一种糖尿病肾病-非糖尿病肾病鉴别诊断装置 | |
CN115699204A (zh) | 基于多个机器学习模型的临床预测因子 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
CN116189866A (zh) | 一种基于数据分析的远程医用护理分析系统 | |
CN118312816A (zh) | 基于成员选择的簇加权聚类集成医学数据处理方法及系统 | |
Álvarez-Rodríguez et al. | Does imbalance in chest X-ray datasets produce biased deep learning approaches for COVID-19 screening? | |
CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
CN116864062B (zh) | 一种基于互联网的健康体检报告数据分析管理系统 | |
TWI817795B (zh) | 癌症進展判別方法及其系統 | |
US20150330888A1 (en) | Flow cytometry data segmentation result evaluation systems and methods | |
TWI826081B (zh) | 癌症進展評估方法及其系統 | |
TW202418295A (zh) | 癌症進展判別方法及其系統 | |
CN113178254A (zh) | 基于5g的智慧医疗数据分析方法、装置及计算机设备 | |
CN112259231A (zh) | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 | |
Vutakuri et al. | Breast cancer diagnosis using a Minkowski distance method based on mutual information and genetic algorithm | |
TW202418296A (zh) | 癌症進展評估方法及其系統 | |
CN110706812A (zh) | 医学指标时序预测方法、装置、介质及电子设备 | |
WO2024091292A1 (en) | Cancer progression assessment method and system thereof | |
Manju et al. | Decision Tree-Based Explainable AI for Diagnosis of Chronic Kidney Disease | |
CN118161131B (zh) | 一种放疗期间皮肤防辐射管理调节系统及方法 |