一种用于肺结节风险性评估的系统技术方案

本发明专利技术公开了一种用于肺结节风险性评估的系统，该系统通过逻辑回归模型、决策树模型或随机森林模型，对获取的患者的影像分析数据、患者的CAC检测数据和患者的风险因素进行综合评估，对患者肺结节风险性进行评估，不仅能够实现对是否存在肺结节进行评估，还能够预测存在的肺结节的风险性，且具有较高的准确率。率。率。

【技术实现步骤摘要】
一种用于肺结节风险性评估的系统


[0001]本专利技术涉及医学数据处理
，具体而言，涉及一种用于肺结节风险性评估的系统。

技术介绍

[0002]结节病(sarcoidosis)是一种病因未明的多系统多器官的肉芽肿性疾病，常侵犯肺、双侧肺门淋巴结、眼、皮肤等器官，其胸部受侵率高达80％～90％。呈世界分布，欧、美国家发病率较高，东方民族少见，多见于20～40岁，女略多于男。
[0003]目前肺结节的致病原因和发病机理还都处于研究阶段，仅探明了结节病是未知抗原与机体细胞免疫和体液免疫功能相互抗衡的结果。由于个体的差异(年龄、性别、种族、遗传因素、激素、HLA)和抗体免疫反应的调节作用，视其产生的促进因子和拮抗因子之间的失衡状态，而决定肉芽肿的发展和消退，表现出结节病不同的病理状态和自然缓解的趋势。肺结节病肉芽肿在组织切片上可见为皮样细胞的聚集，其中有多核巨噬细胞，周围有淋巴细胞，而无干酪样病变。在巨噬细胞的泡浆中可见有包涵体，如卵圆形的舒曼(Schaumann)小体，双折光的结晶和星状小体(asteroid body)。肺结节病的初发病变有较广泛的单核细胞、巨噬细胞、淋巴细胞浸润的肺泡炎，累及肺泡壁和间质。肺泡炎和肉芽肿都可能自行消散。但在慢性阶段，肉芽肿周围的纤维母细胞胶原化和玻璃样，成为非特异性的纤维化。肉芽肿的组织形态学表现并无特性，可见于分支杆菌和真菌感染，或为异物或外伤的组织反应，亦可见于铍病、第三期梅毒、淋巴瘤和外源性变态反应性肺泡炎等，应行鉴别。但在多器官中见到同样的组织病变，结合临床资料，可诊断本病。常见的肺结节多为良性，而恶性的肺结节即可诊断为肺癌，因此，肺结节通常为肺癌的主要早期表现，准确检测肺结节对肺癌的早期诊断和治疗具有重要意义。
[0004]肺结节的尺寸范围分布很广，既有5cm以上的大尺寸结节，也有亚厘米级的结节，对于大尺寸的肺结节，传统的医学影像检测即可发现，而对于小尺寸的肺结节(3～10mm)，仅仅依靠传统医学影像观察，会由于不同的医生水平、医院条件、数据孤岛，使得判断标准不一，导致了大量的临床经验误诊。
[0005]随着影像学技术的进一步发展，其处理能力得到了显著提高，然而，由于肺部计算机断层扫描(CT)图像背景复杂、检测范围大，且肺结节大小不一、形态各异，所以快速准确检测肺结节是一项极具挑战的工作。
[0006]近年来，AI技术得到了长足的发展，已有大量将AI技术应用于医学影像分析的研究报道，但是，现有报道中仍存在明显不足：
[0007]首先，现有的CT影像AI技术中所采用的样本量比较小，且通常阈值设定较低，因此检出的准确度及灵敏度均高于实际值，所得到的结果中普遍存在假阳性，需要专家进行复核，才能最终确定结果，实际上不仅没有提高检测效率，反而增大的检测成本。
[0008]目前所见到的利用AI技术处理CT影像其检测结果准确度在90％以上的报道中普遍存在调查样本量少，设定阈值低的缺点。当样本量扩大后，其检测结果的准确度和灵敏度
都会显著下降，例如，Tao Xu等即报道了受试患者人数达到534个时，AI的分析准确率仅为70％(Tao Xu,Chuoji Huang,Yaoqi Liu,Jing Gao,Huan Chang,RonghuaYang,Tianjiao Jiang,Zhaozhong Cheng,Wencheng Yu,JunchengZhang,ChunxueBai，Artificial intelligence based on deep learning for differential diagnosis between benign and malignant pulmonary nodules:A real-world,multicenter,diagnostic study.Journal of Clinical Oncology.)，无法满足实际临床的需求。
[0009]另外，对于小细胞肺癌和鳞癌，放射科医生从影像也很难以进行辨认。由于影像上的特性不明显，现有的AI算法对这一类肺癌的检测准确率不到10％。
[0010]除了采用医学图像数字化处理的手段进行肺结节检测以及肿瘤风险评估之外，还有包括基于免疫反应在内的很多其他检测和评估手段，其中循环异常细胞(CAC)检测因为具有操作简便、随时可检、灵敏度高、特异性好、稳定性强且检测用时短等优势，而备受关注。
[0011]多项研究表明，肿瘤发生早期与染色体特定区域的变化(扩增、缺失、融合等)密切相关。通过分离富集并检测血液中含有与特定癌种高度相关的染色体异常细胞，能更加全面地反映癌症早期发生的情况，进而提供癌症诊断的信息。这种存在于外周血或人体其他体液且含有与癌症发生相关染色体异常的细胞为循环异常细胞(circulating abnormal cell，CAC)。初步研究证明，CAC在早期的肿瘤检测中的优势明显，具有良好的诊断效能。
[0012]临床研究的结果表明，CAC检测对于肺癌的不同的类型和分期均有较为一致的检出率，小于5-10mm的肺结节的鉴别准确率也超过70％，而这一类结节由于尺寸较小，从影像上难以进行分析和鉴别，因此，目前CAC的检测结果可作为CT影像AI分析技术的有效补充手段，对CT影像AI分析的检测结果进行查漏补缺，例如青岛大学附属医院的徐涛医生利用我司提供的CAC检测结果去进行CT-AI分析结果的修正。从临床医生倾向积极治疗的11例CT-AI判断低风险的样本中找到了8例高风险的样本。而这8例样本的最终病理检测结果则与CAC的评价结果完全一致，实现了查漏补缺的作用。然而，这也仅仅是用CAC的检测结果对CT-AI的结果进行补充，并未深入分析两者如何有机的结合，进一步提升对肺结节中早期肺癌检测的准确率。
[0013]鉴于此，特提出本专利技术。

技术实现思路

[0014]本专利技术针对上述技术问题，提供了一种用于肺结节风险性评估的系统，该系统通过机器自学习，不仅实现了将患者的病灶影像结果与患者的CAC检测数据联合用于肺结节风险性评估，还进一步整合了患者的风险因素，显著提高了患者肺结节风险性评估的准确率。
[0015]第一方面，本专利技术提供一种用于肺结节风险性评估的系统，包括：
[0016]数据采集模块，用于获取患者的病灶影像结果、患者的CAC检测数据和患者的风险因素。
[0017]数据处理模块，用于对数据采集模块获取的数据进行预处理，所述预处理的输出结果与肺结节风险性评估模块相匹配。
[0018]肺结节风险性评估模块，应用机器学习构建的肺结节风险性评估模型对数据处理
模块预处理输出结果进行计算，得到肺结节风险性结果。
[0019]在可选实施方式中，所述患者的风险因素包括患者的性别、年龄、家族肿瘤病史或吸烟史中的一种或两种及以上组合。
[0020]在可选实施方式中，所述数据处理模块用于将所述患者的病灶影像结果经人工智能计算转换为病灶影像分析数据，输出患者肺结节恶性概率；将所述患者的性别转换为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于肺结节风险性评估的系统，其特征在于，包括：数据采集模块，用于获取患者的病灶影像结果、患者的CAC检测数据和患者的风险因素；数据处理模块，用于对数据采集模块获取的数据进行预处理，所述预处理的输出结果与肺结节风险性评估模块相匹配；肺结节风险性评估模块，应用机器学习构建的肺结节风险性评估模型对数据处理模块预处理输出结果进行计算，得到肺结节风险性结果。2.根据权利要求1所述的系统，其特征在于，所述患者的风险因素包括患者的性别、年龄、家族肿瘤病史或吸烟史中的一种或两种及以上组合。3.根据权利要求2所述的系统，其特征在于，所述数据处理模块用于将所述患者的病灶影像结果经人工智能计算转换为病灶影像分析数据，输出患者肺结节恶性概率；将所述患者的性别转换为相应的性别标识；将所述家族肿瘤病史转换为相应的家族肿瘤病史标识；将所述吸烟史转换为相应的吸烟史标识。4.根据权利要求3所述的系统，其特征在于，所述患者的病灶影像结果包括低剂量螺旋CT扫描图、薄层螺旋CT扫描图、X光射线胸片或正电子发射计算机断层显像中的一种或两种及以上组合。5.根据权利要求1所述的系统，其特征在于，所述患者的CAC检测数据包括患者的CAC检测得到的每万个单个核细胞中循环异常细胞数量。6.根据权利要求1～5任一项所述的系统，特征在于，所述肺结节风险性评估模块采用逻辑回归模型，根据预处理结果计算得到患者的肺结节风险性；所述预处理结果包括患者的病灶影像分析数据、患者的CAC检测数据、患者的年龄和患者的性别标识；所述逻辑回归模型的计算公式为：logit(π)＝θ
T
X+θ0，式中X为自变量矩阵，包括患者的病灶影像分析数据x1、患者的CAC检测数据x2、患者的年龄标识x3和患者的性别标识x4，式中θ
T
为与自变量矩阵X对应的系数矩阵，θ0为常系数，π为患者肺结节恶性概率；将计算得到的π与预设的分类阈值比较，得到比较结果；基于比较结果输出患者肺结节的良性标识或恶性标识；优选地，所述分类阈值为0.5～0.8；优选地，所述分类阈值为0.6。7.根据权利要求...

【专利技术属性】
技术研发人员：叶莘，范献军，周燕玲，陈燕慈，黄萌，张俊成，石剑峰，
申请(专利权)人：珠海横琴圣澳云智科技有限公司，
类型：发明
国别省市：