基于脉管化模式的诊断、预测、确定预后、监测或分期疾病的方法技术

用于检测脉管系统中的疾病的方法、计算机程序和系统。该方法包括获得脉管系统的图像。该方法包括从获得的图像中提取血管测量值。该方法包括基于提取的血管测量值确定所获得的图像中的脉管系统的特征。该方法包括应用人工智能算法来基于这些脉管特征确定脉管系统中是否存在疾病。是否存在疾病。是否存在疾病。

【技术实现步骤摘要】
【国外来华专利技术】基于脉管化模式的诊断、预测、确定预后、监测或分期疾病的方法
[0001]相关申请的交叉引用
[0002]根据35 U.S.C.
§
119(a)，本申请要求于2018年7月3日提交的标题为“A METHOD FOR DIAGNOSING DISEASE BASED UPON ANALYSIS OF VASCULARIZATION PATTERNS”的临时申请第62/693,852的优先权，并主张其优先权，其全部内容通过引用合并于此。


[0003]本说明书涉及一种疾病检测和预测的方法。更具体地，本说明书涉及一种应用人工智能算法来分析脉管结构并检测受试体(subject)是否患有疾病、预测受试体是否可能患有疾病、确定受试体的预后、监测疾病或对疾病分期的方法。

技术介绍

[0004]在美国，癌症和中风分别是第二大和第五大死亡原因。大约38.5％的人口将在一生中被诊断出患有癌症，且大约16.7％的人口将在其一生中经历中风。仅在美国，癌症就造成了1,470亿美元的经济负担，并且仅在美国中风就造成了750亿美元的经济负担。鉴于美国代表的世界人口不到5％，因此全球影响可能会大很多倍。
[0005]众所周知，癌症的早期发现是影响患者长期预后的最重要因素之一。确实，早期发现癌症可以使生存率提高三倍。不幸的是，有几种癌症难以被检测到，直到后期，此时直接影响生存率的症状才会出现。但是，即使是更容易发现的癌症，目前的癌症筛查测试也存在问题。当前的癌症筛查测试是侵入性的、费时的，并且有时是不准确的。r/>[0006]同样，对中风的快速、准确诊断对于最大程度地提高治疗效果和最大程度地减少脑损伤至关重要。为了预防性治疗并显著降低中风风险，识别有中风风险的患者至关重要。当前的中风筛查测试也具有与上述癌症筛查测试相同的缺点。
[0007]脉管系统渗透到所有生物的组织中，为生物的细胞提供营养。在患病的组织中，脉管结构与健康组织中的脉管结构有很大不同。例如，存在癌症的组织的脉管结构将与没有癌症的组织的脉管结构有很大不同。在另一个示例中，处于中风风险的受试体的大脑中的组织的脉管结构将与健康受试体的大脑中的组织的脉管结构明显不同。
[0008]已经开发出某些方法，这些方法使用机器学习算法从肿瘤组织的图像中检测癌症。但是，这些方法对检测早期阶段的癌症可能不够灵敏。为了疾病诊断的目的，也已经开发出分析各种血管属性的某些方法。这些血管属性不包括可以量化生物体代谢的代谢比例指数。这些方法中的某些方法不应用机器学习，而是将血管属性与来自健康受试体的现有血管属性图集进行比较。其余已开发的方法未应用机器学习算法来训练模型以检测疾病的存在。因此，需要开发一种更快、更灵敏、更准确且侵入性更小的方法来检测受试体是否患有疾病，预测受试体是否可能患病，确定受试体的预后，监测疾病和对疾病分期。

技术实现思路

[0009]通常，本说明书中描述的主题的一个方面体现在用于检测脉管系统疾病的方法中。该方法包括获得脉管系统的图像。该方法包括从获得的图像中提取血管测量值。该方法包括基于提取的血管测量值确定所获得的图像中的脉管系统的特征。该方法包括将人工智能算法应用于所确定的特征以确定脉管系统中是否存在疾病。
[0010]这些和其他实施例可以包括以下特征中的一个或多个。可以自动提取血管测量值。该疾病可以包括癌症、脑血管疾病(例如中风、短暂性脑缺血发作)、心血管疾病、其他血管疾病、眼病或皮肤病。该疾病可以是以下中的至少一种：肿瘤、中风、短暂性脑缺血发作、糖尿病、动脉粥样硬化、高血压(例如心脏、肾脏或门静脉)、周围静脉疾病、动脉瘤、肺栓塞、颈动脉疾病、慢性静脉供血不足、先天性血管畸形、深静脉血栓形成、纤维肌发育异常、肾动脉狭窄、淋巴水肿、肠系膜动脉疾病、术后血栓形成综合征、血栓形成、血管炎、血管性痴呆、类风湿关节炎、系统性红斑狼疮、肺气肿、炎性肠病、子宫息肉、先兆子痫和神经纤维瘤病。血管测量值可以来自多个血管。所提取的血管测量值可以包括血管名称、血管半径、血管长度、血管的三维坐标、血管子代的数量或下游血管尖端的数量中的至少一个。
[0011]特征可以是量化脉管系统的生理学以便随后应用于疾病的检测、诊断、监测或预测的任何值。计算这些特征可能涉及使用异度缩放定律来量化生理与脉管系统功能和/或分形分析之间的关系。特征可以根据以下中的至少一项来确定：比例指数、非对称比例指数、曲折度、曲率、微脉管密度、血管直径、血管长度、血管体积、血管表面积、分支角度、分支频率、分支点数、血管尖端数、血管环数、分层分形维数、Hausdorff维数、腔隙度维数和广义分形维数。机器学习算法可以应用于基于脉管结构特征来训练模型。
[0012]该方法可以包括应用特征选择来选择与疾病的诊断最相关的脉管结构特征。该方法可以包括应用特征提取来选择与疾病的诊断最相关的脉管结构特征。
[0013]在本说明书中描述的主题的一个方面体现在用于检测脉管系统疾病的计算机程序中。该程序可以包括用于确定脉管系统的特征的模块。所确定的特征可以包括脉管网络比例指数、脉管非对称比例指数、脉管曲折度、脉管曲率和脉管微脉管密度中的至少一项。该程序可以包括用于将人工智能算法应用于确定特征以确定脉管系统中是否存在疾病的模块。
附图说明
[0014]通过检查以下附图和详细描述，本专利技术的其他系统、方法，特征和优点对于本领域的普通技术人员将是或将变得显而易见。旨在将所有这样的附加系统、方法、特征和优点包括在本说明书中，在本专利技术的范围内，并由所附权利要求书保护。附图中所示的组成部分不必按比例绘制，并且可以被夸大以更好地说明本专利技术的重要特征。在附图中，贯穿不同的视图，相同的参考数字表示相同的部分，其中：
[0015]图1是根据本专利技术的一方面的用于疾病检测的过程的流程图。
[0016]图2是根据本专利技术的一方面的用于实现图1中的疾病检测过程的系统。
[0017]图3A至图3L示出根据本专利技术的一方面的机器学习结果的样本图。
[0018]图4A示出根据本专利技术的一方面的基于分布的比例指数对数回归的机器学习结果的样本图。
[0019]图4B示出根据本专利技术的一方面的基于回归的比例指数对数回归的机器学习结果的样本图。
[0020]图5A示出根据本专利技术的一方面在缺血性中风发作之后来自脑脉管系统的径向指数(a)的基于保守性计算的分布的样本图。
[0021]图5B示出根据本专利技术的一方面在缺血性中风发作之后来自脑脉管系统的长度比例指数(b)的基于保守性计算的分布的样本图。
[0022]图5C示出根据本专利技术的一方面在缺血性中风发作之后来自脑脉管系统的径向指数(a)的基于分布的计算。
[0023]图5D示出根据本专利技术的一方面在缺血性中风发作之后来自脑脉管系统的长度比例指数(b)的基于分布的计算。
[0024]图5E示出根据本专利技术的一方面的来自缺血性中风的径向指数(a)的基于分层平均的计算。
[0025]图5F示出根据本专利技术的一方面本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于检测脉管系统中的疾病的方法，所述方法包括：获得所述脉管系统的图像；从所获得的图像中提取血管测量值；基于所提取的血管测量值确定所获得的图像中的所述脉管系统的特征；以及将人工智能算法应用于所确定的特征，以确定所述脉管系统中是否存在所述疾病。2.根据权利要求1所述的方法，其中，所述血管测量值是自动提取的。3.根据权利要求1所述的方法，其中，所述疾病是以下中的至少一种：癌症、中风、短暂性脑缺血发作、心血管疾病、其他血管疾病、眼病、皮肤病、肿瘤、中风、短暂性脑缺血发作、糖尿病、动脉粥样硬化、高血压(例如心脏、肾脏或门静脉)、周围静脉疾病、动脉瘤、肺栓塞、颈动脉疾病、慢性静脉供血不足、先天性血管畸形、深静脉血栓形成、纤维肌发育异常、肾动脉狭窄、淋巴水肿、肠系膜动脉疾病、术后血栓形成综合征、血栓形成、血管炎、血管性痴呆、类风湿关节炎、系统性红斑狼疮、肺气肿、炎性肠病、子宫息肉、先兆子痫和神经纤维瘤病。4.根据权利要求1所述的方法，其中，所述血管测量值来自多个血管。5.根据权利要求1所述的方法，其中，所提取的血管测量值包括血管名称、血管半径、血管长度、血管的三维坐标、血管子代的数量和下游血管尖端的数量中的至少一个。6.根据权利要求1所述的方法，其中，所述特征是根据以下中的至少一项来确定的：比例指数、非对称比例指数、曲折度、曲率、微脉管密度、血管直径、血管长度、血管体积、血管表面积、分支角度、分支频率、分支点数、血管尖端数、血管环数、分层分形维数、Hausdorff维数、腔隙度维数和广义分形维数。7.根据权利要求1所述的方法，其中，所述人工智能算法被应用于基于脉管结构特征来训练模型。8.根据权利要求7所述的方法，还包括应用特征选择来选择与所述疾病的诊断最相关的所述脉管结构特征。9.根据权利要求7所述的方法，还包括应用特征提取来选择与所述疾病的诊...

【专利技术属性】
技术研发人员：卡罗琳，
申请(专利权)人：卡罗琳，
类型：发明
国别省市：