一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型技术

本发明专利技术涉及一种基于深度学习的肾透明细胞癌人工智能病理诊断方法，包括以下步骤：S1:数据获取；S2:病理显微图像处理；S3:模块化图像特征信息提取；S4:机器深度学习和诊断模型构建；S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能；步骤S6:对肾透明细胞癌患者生存预后的预测效能探究。本发明专利技术还提供了一种基于深度学习的肾透明细胞癌人工智能病理诊断模型。本发明专利技术可以有效预测肾透明细胞癌患者的生存预后，这是传统的病理科医师阅片诊断无法达到的效果，可为肾透明细胞癌患者术后是否继续治疗提供有效的指导意见。

【技术实现步骤摘要】
一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型
本专利技术涉及医疗人工智能领域，涉及一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型
技术介绍
肾细胞癌是肾脏最常见的恶性疾病，约占肾脏肿瘤的90％。其病理分型包括肾透明细胞癌(Renalcellcarcinoma)、嫌色细胞癌、乳头状细胞癌、集合管癌和未分类癌。其中，肾透明细胞癌是最主要病理类型，约占肾细胞癌总数的70％～80％，其癌细胞常排列成片状、条索状、腺泡状或管状，生存预后较乳头状癌等非透明细胞癌差。因此肾透明细胞癌的精准诊断具有极其重要的社会意义和价值。病理诊断是目前确诊肾透明细胞癌的金标准，其主要通过病理切片、苏木精-伊红(H&E)染色、显微成像后，病理医师观察病理变化做出病理诊断，为临床诊断和治疗提供指导意见。然而，随着医学影像诊断水平的提高和癌症早期筛查的普及推广，近年来包括肾脏肿瘤在内的各种类型肿瘤在人群中的发现率显著上升，肿物穿刺活检术或手术切活检术也更多地在日常医疗工作中开展，作为良恶性肿瘤鉴别诊断的金标准，病理诊断的工作量日益加大。而当前国内病理科医师严重短缺，再加上医学培养周期长、各级医疗机构病理诊断水平参差不齐等情况，给病理诊断的高效、精准开展带来了严峻的挑战。人工智能辅助医疗可以有效地解决这个问题。中国专利文献CN：201911368872.2公开了一种人工智能辅助病理诊断系统，包括病理信息库，病理专家库以及由处理器执行的一个或多个程序，所述程序包括用于执行以下步骤：接收数字病理文件；为数字病理文件匹配智能诊断算法模型，生成初步诊断意见和初步分析报告；当所述初步诊断意见为阴性时，将所述初步分析报告作为最终分析报告，否则，进入分流程序，匹配一个对应的专病医生，接收来自所述专病医生的最终分析报告。中国专利文献CN：CN201710423350.2公开了一种基于大数据深度学习的胃癌病理诊断支持系统和方法，该系统包括：图像数据获得单元，用于获得胃正常组织切片图像和已确诊的胃癌病例的病理切片图像作为已输入图像数据；图像数据标注单元，用于对已输入图像数据进行标注；图像数据库构建单元，用于对图像数据标注单元提供的已标注图像数据分类、整理，构建病理图像数据库；卷积神经网络(CNN)构造单元，用于构造第一卷积神经网络模型；以及卷积神经网络模型训练单元，获得理想的卷积神经网络模型。人工智能辅助医疗是医学中的一个新兴领域，该技术的诞生与人工智能在计算机领域研究中的良好性能以及在精准医学研究中的巨大潜力密不可分。然而，目前基于深度学习的肾透明细胞癌人工智能病理诊断方法还未曾报导。
技术实现思路
本专利技术的第一个目的是，针对现有技术中的不足，提供一种基于深度学习的肾透明细胞癌人工智能病理诊断方法。本专利技术的第二个目的是，提供一种基于深度学习的肾透明细胞癌人工智能病理诊断模型。为实现上述第一个目的，本专利技术采取的技术方案是：一种基于深度学习的肾透明细胞癌人工智能病理诊断方法，包括以下步骤：S1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；S2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；S3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；S4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能。进一步：还包括以下步骤：S6:基于深度学习的肾透明细胞癌人工智能病理诊断方法对肾透明细胞癌患者生存预后的预测效能探究：将通过训练集中的图像数据构建的人工智能诊断模型作为分类器，将训练集和测试集中的肾透明细胞癌病例的生存资料和提取的特征信息数据输入进行生存分析预测，通过生存曲线评估人工智能诊断模型对肾透明细胞癌患者生存预后的预测效能，通过受试者工作特征曲线评估人工智能诊断模型的对肾透明细胞癌患者术后生存状态的预测效能。进一步：步骤S3中:使用软件对特征性模块化图像进行归一化处理，模块化图像特征信息，包括8个主要部分：测量对象相关性、测量对象间隔距离、测量对象占用面积、测量图像强度、测量对象强度、测量对象邻近、测量对象径向分布、测量对象大小形状和测量对象纹理，每个主要部分又细化为多种定量特征信息，最后每个样本分别提取346个定量特征信息。进一步：步骤S4中:总共筛选出66个与肾透明细胞癌病理诊断显著相关的模块化图像特征信息。为实现上述第二个目的，本专利技术采取的技术方案是：一种基于深度学习的肾透明细胞癌人工智能病理诊断模型，通过以下方法构建，包括以下步骤：S1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；S2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；S3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；S4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能进一步：还包括以下步骤：S6:基于深度学习的肾透明细胞癌人工智能病理诊断方法对肾透明细胞癌患者生存预后的预测效能探究：将通过训练集中的图像数据构建的人工智能诊断模型作为分类器，将训练集和测试集中的肾透明细胞癌病例的生存资料和提取的特征信息数据输入进行生存分析预测，通过生存曲线评估人工智能诊断模型对肾透明细胞癌患者生存预后的预测效能，通过受试者工作特征曲线评估人工智能诊断模型的对肾透明细胞癌患者术后生存状态的预测效能。进一步：步骤S3中:使用软件对特征性模块化图像进行归一化本文档来自技高网...

【技术保护点】
1.一种基于深度学习的肾透明细胞癌人工智能病理诊断方法，其特征在于，所述的肾透明细胞癌人工智能病理诊断方法，包括以下步骤：/nS1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；/nS2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；/nS3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；/nS4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；/nS5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能。/n...

【技术特征摘要】
1.一种基于深度学习的肾透明细胞癌人工智能病理诊断方法，其特征在于，所述的肾透明细胞癌人工智能病理诊断方法，包括以下步骤：
S1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；
S2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；
S3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；
S4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；
S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能。


2.根据权利要求1所述的肾透明细胞癌人工智能病理诊断方法，其特征在于，还包括以下步骤：
S6:对肾透明细胞癌患者生存预后的预测效能探究：将通过训练集中的图像数据构建的人工智能诊断模型作为分类器，将训练集和测试集中的肾透明细胞癌病例的生存资料和提取的特征信息数据输入进行生存分析预测，通过生存曲线评估人工智能诊断模型对肾透明细胞癌患者生存预后的预测效能，通过受试者工作特征曲线评估人工智能诊断模型的对肾透明细胞癌患者术后生存状态的预测效能。


3.根据权利要求1所述的肾透明细胞癌人工智能病理诊断方法，其特征在于，步骤S3:使用软件对特征性模块化图像进行归一化处理，模块化图像特征信息，包括8个主要部分：测量对象相关性、测量对象间隔距离、测量对象占用面积、测量图像强度、测量对象强度、测量对象邻近、测量对象径向分布、测量对象大小形状和测量对象纹理，每个主要部分又细化为多种定量特征信息，最后每个样本分别提取346个定量特征信息。


4.根据权利要求1所述的肾透明细胞癌人工智能病理诊断方法，其特征在于，步骤S4:总共筛选出66个与肾透明细胞癌病理诊断显著相关的模块化图像特征信息。

【专利技术属性】
技术研发人员：陈思腾，郑军华，王翔，张宁，胡姗姗，
申请(专利权)人：上海市第一人民医院，
类型：发明
国别省市：上海;31