本發(fā)明涉及精密成像egfr-tkis智能預測，更具體地說，本發(fā)明涉及一種肺腺癌egfr-tkis療效智能預測系統(tǒng)及方法。
背景技術：
：：1、現(xiàn)階段，肺癌是世界上發(fā)病率及死亡率最高的惡性腫瘤之一，其中非小細胞肺癌是肺癌最主要的病理類型；以表皮生長因子受體(epidermal?growth?factor?receptor，egfr)為靶點的靶向治療，在肺腺癌治療史上具重要意義；針對egfr突變的靶向藥(epidermal?growth?factor-receptor?tyrosine?kinase?inhibitors，egfr-tkis)研究不斷涌現(xiàn)；然而盡管是egfr敏感突變非小細胞肺癌患者，選擇egfr-tkis治療后，客觀緩解率(objective?response?rate，orr)只能達到40-70％左右；能否有效預測并篩選出egfr-tkis療效不佳患者，提前調整治療方案，是非常關鍵的技術問題；2、對于egfr敏感突變的晚期非小細胞肺癌，通常首先進行egfr-tkis靶向治療；患者治療兩個周期后進行影像學recist評估，判定完全緩解(complete?response，cr)、部分緩解(partial?response，pr)、穩(wěn)定(stabledisease，sd)和進展(progressive?disease，pd)，根據(jù)評估結果確定下一步治療方案；現(xiàn)有技術存在的問題是：是否能夠預測出egfr-tkis療效不佳的這部分非小細胞肺癌，提前進行治療方案調整，優(yōu)化治療進程，為患者帶來整體獲益；避免因為等待egfr-tkis療效評估損失數(shù)月的時間，導致患者失去其他治療機會；egfr-tkis療效與非小細胞肺癌患者突變狀態(tài)有關，如何通過人工智能深度學習進行提前有效預測需待解決；吉非替尼上市后續(xù)大量研究證實egfr-tkis療效主要與egfr突變狀態(tài)相關；egfr的敏感位點主要包括19del和l858r，這一類患者通?？梢酝ㄟ^egfr-tkis方案；盡管血漿等可以用于egfr動態(tài)檢測或補充手段，但目前指南還是首先推薦組織標本用于egfr檢測，采用的技術主要是聚合酶鏈式反應(polymerase?chain?reaction，pcr)或二代測序(next?generation?seqence，ngs)；組織標本分子檢測遇到的問題包括：如果只選擇一個蠟塊做檢測，是否存在腫瘤異質性問題；3、近年來，人工智能深度學習卷積神經(jīng)網(wǎng)絡(artificial?intelligence，ai；convolutional?neural?networks,cnn)技術在計數(shù)細胞數(shù)量、計數(shù)有絲分裂、判段結腸腺體異型性、乳腺浸潤性導管癌分級、淋巴結轉移灶等方面應用越來越廣泛；在肺癌方面，前期egfr預測模型準確性較低，并且僅僅做egfr預測，難以滿足診療應用要求；egfr-tkis療效與多種因素相關；靶向治療療效可能與突變豐度、腫瘤突變負荷、tp53狀態(tài)、pd-l1表達水平等待有關，結果往往存在一定爭議；此外的研究探討了肺腺癌形態(tài)學病理特征，比如腫瘤異型性、分化程度、氣道播散及脈管瘤栓、淋巴細胞浸潤等等，部分研究提示與療效有一定相關性；但既往療效預測研究大多采用統(tǒng)計學模型，病理醫(yī)師在判讀過程不僅耗時，并且存在較強的主觀性，難以轉化到臨床應用；主要針對非小細胞肺癌預后，認為利用深度學習方法，通過he染色切片，將患者分為長生存組和短生存組；在組織形態(tài)學方面，通過人工智能方法預測非小細胞肺癌患者療效或預后具有可行性，但設定因素過于單一，需要更多優(yōu)化，結果準確性較差等問題尚待解決；因此，有必要提出一種肺腺癌egfr-tkis療效智能預測系統(tǒng)及方法，以至少部分地解決現(xiàn)有技術中存在的問題。技術實現(xiàn)思路1、在技術實現(xiàn)要素：部分中引入了一系列簡化形式的概念，這將在具體實施方式部分中進一步詳細說明；本發(fā)明的
發(fā)明內容部分并不意味著要試圖限定出所要求保護的技術方案的關鍵特征和必要技術特征，更不意味著試圖確定所要求保護的技術方案的保護范圍。2、為至少部分地解決上述問題，本發(fā)明提供了一種肺腺癌egfr-tkis療效智能預測系統(tǒng)，包括：3、recist同模放大掃描分系統(tǒng)，通過前期自動recist評估排除篩選非小細胞肺癌病理圖像，獲取recist排選后病理圖像集；通過同模固定放大振鏡掃描模塊掃描recist排選后病理圖像集，獲取非小細胞肺癌病理圖像recist排選后掃描數(shù)據(jù)集；4、內部外部數(shù)據(jù)集獲取分系統(tǒng)，將病理圖像recist排選后掃描數(shù)據(jù)集按照數(shù)據(jù)集設定比例進行數(shù)據(jù)集訓練驗證測試分組，獲取recist排選后內部訓驗測數(shù)據(jù)集；納入tcia數(shù)據(jù)庫病例數(shù)據(jù)集作為tcia數(shù)據(jù)外部測試集；5、resnet模型訓練泛化分系統(tǒng)，根據(jù)recist排選后內部訓驗測數(shù)據(jù)集，對基本卷積神經(jīng)網(wǎng)絡resnet模型進行模型訓練參數(shù)學習、模型優(yōu)化參數(shù)微調及模型測試識別泛化，獲取訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型；6、egfr-tkis智能預測分系統(tǒng)，利用圖像塊級別orr客觀緩解率熱力圖及圖像塊級別orr客觀緩解率平均值計算結果，根據(jù)訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型，對非小細胞肺癌病理圖像進行肺腺癌egfr-tkis療效智能預測。7、優(yōu)選的，recist同模放大掃描分系統(tǒng)包括：8、egfr肺癌病理圖像獲取子系統(tǒng)，獲取具有egfr敏感突變并經(jīng)過egfr-tkis治療的非小細胞肺癌病理圖像；9、自動recist評估排除子系統(tǒng)，根據(jù)非小細胞肺癌病理圖像，通過前期自動recist評估排除篩選非小細胞肺癌病理圖像，獲取recist排選后病理圖像集；10、同模固定放大掃描子系統(tǒng)，通過同模固定放大振鏡掃描模塊掃描recist排選后病理圖像集中的每副recist排選后病理圖像，獲取非小細胞肺癌病理圖像recist排選后掃描數(shù)據(jù)集。11、優(yōu)選的，內部外部數(shù)據(jù)集獲取分系統(tǒng)包括：12、數(shù)據(jù)集訓驗測分組子系統(tǒng)，將病理圖像recist排選后掃描數(shù)據(jù)集按照數(shù)據(jù)集設定比例進行數(shù)據(jù)集訓練驗證測試分組，獲取recist排選后內部訓驗測數(shù)據(jù)集；recist排選后內部訓驗測數(shù)據(jù)集包括：recist排選后內部訓練數(shù)據(jù)集、recist排選后內部驗證數(shù)據(jù)集及recist排選后內部測試數(shù)據(jù)集；數(shù)據(jù)集設定比例包括：60％：20％：20％或70％：15％：15％；13、tcia數(shù)據(jù)獲取子系統(tǒng)，鏈接tcia數(shù)據(jù)庫獲取tcia數(shù)據(jù)庫病例數(shù)據(jù)集，納入tcia數(shù)據(jù)庫病例數(shù)據(jù)集作為tcia數(shù)據(jù)外部測試集。14、優(yōu)選的，resnet模型訓練泛化分系統(tǒng)包括：15、resnet架構設置子系統(tǒng)，設置卷積神經(jīng)網(wǎng)絡resnet架構作為系統(tǒng)深度學習訓練模型基本架構，獲取基本卷積神經(jīng)網(wǎng)絡resnet模型；16、resnet模型優(yōu)化子系統(tǒng)，根據(jù)recist排選后內部訓驗測數(shù)據(jù)集，對基本卷積神經(jīng)網(wǎng)絡resnet模型進行模型訓練參數(shù)學習、模型優(yōu)化參數(shù)微調及模型測試識別泛化，獲取訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型。17、優(yōu)選的，egfr-tkis智能預測分系統(tǒng)包括：18、切片級別orr標記子系統(tǒng)，通過切片級orr客觀緩解率經(jīng)驗模型，自動標記切片級別標簽，獲取切片級別orr客觀緩解率結果；19、智能學習模型解釋子系統(tǒng)，根據(jù)tcia數(shù)據(jù)外部測試集，輸入訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型，通過弱監(jiān)督智能學習，以切片級別orr客觀緩解率結果做為分組標簽，以設定像素進行非小細胞肺癌病理圖像分割，獲取非小細胞肺癌病理圖像塊；篩選出所有含有腫瘤的非小細胞肺癌病理圖像塊，獲取圖像塊級別orr客觀緩解率熱力圖，進行訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型解釋；20、orr運算療效預測子系統(tǒng)，根據(jù)訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型解釋，對非小細胞肺癌病理圖像進行肺腺癌egfr-tkis療效智能預測；根據(jù)圖像塊級別orr熱力圖，計算圖像塊級別orr客觀緩解率平均值，得到像素級肺腺癌egfr-tkis療效預測orr客觀緩解率預測結果。21、在
發(fā)明內容部分中引入了一系列簡化形式的概念，這將在具體實施方式部分中進一步詳細說明；本發(fā)明的
發(fā)明內容部分并不意味著要試圖限定出所要求保護的技術方案的關鍵特征和必要技術特征，更不意味著試圖確定所要求保護的技術方案的保護范圍。22、為至少部分地解決上述問題，本發(fā)明提供了一種肺腺癌egfr-tkis療效智能預測方法，包括：23、s100，通過前期自動recist評估排除篩選非小細胞肺癌病理圖像，獲取recist排選后病理圖像集；通過同模固定放大振鏡掃描模塊掃描recist排選后病理圖像集，獲取非小細胞肺癌病理圖像recist排選后掃描數(shù)據(jù)集；24、s200，將病理圖像recist排選后掃描數(shù)據(jù)集按照數(shù)據(jù)集設定比例進行數(shù)據(jù)集訓練驗證測試分組，獲取recist排選后內部訓驗測數(shù)據(jù)集；納入tcia數(shù)據(jù)庫病例數(shù)據(jù)集作為tcia數(shù)據(jù)外部測試集；25、s300，根據(jù)recist排選后內部訓驗測數(shù)據(jù)集，對基本卷積神經(jīng)網(wǎng)絡resnet模型進行模型訓練參數(shù)學習、模型優(yōu)化參數(shù)微調及模型測試識別泛化，獲取訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型；26、s400，利用圖像塊級別orr客觀緩解率熱力圖及圖像塊級別orr客觀緩解率平均值計算結果，根據(jù)訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型，對非小細胞肺癌病理圖像進行肺腺癌egfr-tkis療效智能預測。27、優(yōu)選的，s100包括：28、s101，獲取具有egfr敏感突變并經(jīng)過egfr-tkis治療的非小細胞肺癌病理圖像；29、s102，根據(jù)非小細胞肺癌病理圖像，通過前期自動recist評估排除篩選非小細胞肺癌病理圖像，獲取recist排選后病理圖像集；30、s103，通過同模固定放大振鏡掃描模塊掃描recist排選后病理圖像集中的每副recist排選后病理圖像，獲取非小細胞肺癌病理圖像recist排選后掃描數(shù)據(jù)集。31、優(yōu)選的，s200包括：32、s201，將病理圖像recist排選后掃描數(shù)據(jù)集按照數(shù)據(jù)集設定比例進行數(shù)據(jù)集訓練驗證測試分組，獲取recist排選后內部訓驗測數(shù)據(jù)集；recist排選后內部訓驗測數(shù)據(jù)集包括：recist排選后內部訓練數(shù)據(jù)集、recist排選后內部驗證數(shù)據(jù)集及recist排選后內部測試數(shù)據(jù)集；數(shù)據(jù)集設定比例包括：60％：20％：20％或70％：15％：15％；33、s202，鏈接tcia數(shù)據(jù)庫獲取tcia數(shù)據(jù)庫病例數(shù)據(jù)集，納入tcia數(shù)據(jù)庫病例數(shù)據(jù)集作為tcia數(shù)據(jù)外部測試集。34、優(yōu)選的，s300包括：35、s301，設置卷積神經(jīng)網(wǎng)絡resnet架構作為系統(tǒng)深度學習訓練模型基本架構，獲取基本卷積神經(jīng)網(wǎng)絡resnet模型；36、s302，根據(jù)recist排選后內部訓驗測數(shù)據(jù)集，對基本卷積神經(jīng)網(wǎng)絡resnet模型進行模型訓練參數(shù)學習、模型優(yōu)化參數(shù)微調及模型測試識別泛化，獲取訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型。37、優(yōu)選的，s400包括：38、s401，通過切片級orr客觀緩解率經(jīng)驗模型，自動標記切片級別標簽，獲取切片級別orr客觀緩解率結果；39、s402，根據(jù)tcia數(shù)據(jù)外部測試集，輸入訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型，通過弱監(jiān)督智能學習，以切片級別orr客觀緩解率結果做為分組標簽，以設定像素進行非小細胞肺癌病理圖像分割，獲取非小細胞肺癌病理圖像塊；篩選出所有含有腫瘤的非小細胞肺癌病理圖像塊，獲取圖像塊級別orr客觀緩解率熱力圖，進行訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型解釋；40、s403，根據(jù)訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型解釋，對非小細胞肺癌病理圖像進行肺腺癌egfr-tkis療效智能預測；根據(jù)圖像塊級別orr熱力圖，計算圖像塊級別orr客觀緩解率平均值，得到像素級肺腺癌egfr-tkis療效預測orr客觀緩解率預測結果。41、相比現(xiàn)有技術，本發(fā)明至少包括以下有益效果：42、本發(fā)明一種肺腺癌egfr-tkis療效智能預測系統(tǒng)及方法，利用recist同模放大掃描分系統(tǒng)，通過前期自動recist評估排除篩選非小細胞肺癌病理圖像，獲取recist排選后病理圖像集；通過同模固定放大振鏡掃描模塊掃描recist排選后病理圖像集，獲取非小細胞肺癌病理圖像recist排選后掃描數(shù)據(jù)集；內部外部數(shù)據(jù)集獲取分系統(tǒng)，將病理圖像recist排選后掃描數(shù)據(jù)集按照數(shù)據(jù)集設定比例進行數(shù)據(jù)集訓練驗證測試分組，獲取recist排選后內部訓驗測數(shù)據(jù)集；納入tcia數(shù)據(jù)庫病例數(shù)據(jù)集作為tcia數(shù)據(jù)外部測試集；resnet模型訓練泛化分系統(tǒng)，根據(jù)recist排選后內部訓驗測數(shù)據(jù)集，對基本卷積神經(jīng)網(wǎng)絡resnet模型進行模型訓練參數(shù)學習、模型優(yōu)化參數(shù)微調及模型測試識別泛化，獲取訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型；egfr-tkis智能預測分系統(tǒng)，利用圖像塊級別orr客觀緩解率熱力圖及圖像塊級別orr客觀緩解率平均值計算結果，根據(jù)訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型，對非小細胞肺癌病理圖像進行肺腺癌egfr-tkis療效智能預測；可以克服腫瘤異質性問題；預測非小細胞肺癌患者療效或預后設定因素豐富優(yōu)化，結果準確性較高；對于egfr敏感突變的晚期非小細胞肺癌，進行egfr-tkis靶向治療；患者治療兩個周期后進行影像學recist評估，判定完全緩解(complete?response，cr)、部分緩解(partial?response，pr)、穩(wěn)定(stable?disease，sd)和進展(progressive?disease，pd)，根據(jù)評估結果確定下一步治療方案；能夠預測出egfr-tkis療效不佳的非小細胞肺癌患者，提前進行治療方案調整，優(yōu)化治療進程，帶來整體預測預后效果；避免因為等待egfr-tkis療效評估損失數(shù)月的時間導致失去其他治療機會；可以為非小細胞肺癌預測進行自動recist評估排除篩選非小細胞肺癌病理圖像，通過同模固定放大振鏡掃描recist排選后病理圖像集，使非小細胞肺癌病理圖像recist排選后掃描數(shù)據(jù)具有更優(yōu)異的圖像特征，更加適用于數(shù)據(jù)訓練；能夠有效延長敏感突變的預測準確性并提高其質量；能有效預測并篩選出egfr-tkis療效不佳者，提前預測更有效治療方案；recist排選后數(shù)據(jù)集分組更精準，避免分組不合理，訓練驗證測試集數(shù)據(jù)的質量顯著提高；納入tcia數(shù)據(jù)庫病例數(shù)據(jù)集作為tcia數(shù)據(jù)外部測試集可以大幅提高模型訓練全面適應性；根據(jù)recist排選后內部訓驗測數(shù)據(jù)集，對基本卷積神經(jīng)網(wǎng)絡resnet模型進行模型訓練參數(shù)學習、模型優(yōu)化參數(shù)微調及模型測試識別泛化，顯著提高卷積神經(jīng)網(wǎng)絡resnet模型泛化能力；可以有效利用圖像塊級別orr客觀緩解率熱力圖及圖像塊級別orr客觀緩解率平均值計算結果，通過訓練泛化卷積神經(jīng)網(wǎng)絡resnet模型，對非小細胞肺癌病理圖像進行肺腺癌egfr-tkis療效智能預測，顯著提高預測準確度。43、本發(fā)明所述的一種肺腺癌egfr-tkis療效智能預測系統(tǒng)及方法，本發(fā)明的其它優(yōu)點、目標和特征將部分通過下面的說明體現(xiàn)，部分還將通過對本發(fā)明的研究和實踐而為本領域的技術人員所理解。當前第1頁12當前第1頁12