乳腺癌新辅助化疗后病理学完全缓解概率预测方法及系统技术方案

本发明专利技术公开了一种乳腺癌新辅助化疗后病理学完全缓解概率预测方法，包括：S1.形成训练集；S2.筛选出独立预测因子；S3.获得权重得分；S4.分析计算乳腺癌新辅助化疗后病理学完全缓解的概率预测值。本发明专利技术又公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现步骤S1‑S4。本发明专利技术又公开了一种乳腺癌新辅助化疗后病理学完全缓解概率预测系统，包括训练集生成模块、多因素回归分析筛选模块、列线图模型构建及展示模块、权重得分生成模块、净收益分析模块。本发明专利技术能筛选出低获益可能的患者，并最终使这部分患者免除新辅助化疗。

【技术实现步骤摘要】
乳腺癌新辅助化疗后病理学完全缓解概率预测方法及系统
本专利技术涉及医学信息
，具体涉及一种乳腺癌新辅助化疗后病理学完全缓解概率的预测方法、预测系统，以及装有执行该预测方法的程序的计算机可读存储介质、乳腺癌新辅助化疗后病理学完全缓解概率预测模型的构建方法。
技术介绍
乳腺癌是威胁全球妇女健康的主要恶性肿瘤之一，约70％的乳腺癌为激素受体阳性型。新辅助化疗可以缩小肿瘤的大小从而达到乳腺癌保乳手术和药物敏感性监测的目的。但与激素受体阴性的乳腺癌不同，激素受体阳性型乳腺癌对化疗的应答率相对较低，病理学完全缓解率为7％至38％。然而，激素受体阳性型乳腺癌患者实现病理学完全缓解后通常有较好的长期生存。有数个研究探索多基因模型与激素受体阳性型乳腺癌中新辅助化疗(NAC)诱导的病理学完全缓解(pCR)的关系，但很少有模型显示出对NAC后pCR情况较强的预测价值。有学者回顾性分析OncotypeDX21基因模型在含有989名雌激素受体阳性(HR+)、人表皮因子受体2阴性(HER2-)的乳腺癌患者人群中与NAC后pCR的关系，发现高的OncotypeDX风险本文档来自技高网...

【技术保护点】
1.一种乳腺癌新辅助化疗后病理学完全缓解概率预测方法，其特征在于，该方法包括以下步骤：/nS1.收集患者信息，形成训练集；/nS2.在S1形成的训练集中，通过多因素回归分析筛选出与临床病理状态相关的独立预测因子；/nS3.将于S2获得的与临床病理状态相关的独立预测因子构建成列线图模型，同时获得纳入列线图模型的各个独立预测因子的权重得分；/nS4.通过列线图模型分析获得乳腺癌新辅助化疗后病理学完全缓解的概率预测值。/n

【技术特征摘要】
20200817 CN 20201082608541.一种乳腺癌新辅助化疗后病理学完全缓解概率预测方法，其特征在于，该方法包括以下步骤：
S1.收集患者信息，形成训练集；
S2.在S1形成的训练集中，通过多因素回归分析筛选出与临床病理状态相关的独立预测因子；
S3.将于S2获得的与临床病理状态相关的独立预测因子构建成列线图模型，同时获得纳入列线图模型的各个独立预测因子的权重得分；
S4.通过列线图模型分析获得乳腺癌新辅助化疗后病理学完全缓解的概率预测值。


2.一种乳腺癌新辅助化疗后病理学完全缓解概率预测模型的构建方法，其特征在于，该构建方法包括以下步骤：
S1，收集患者信息，形成训练集；
S2，在S1形成的训练集中，通过多因素回归分析筛选出与临床病理状态相关的独立预测因子；
S3，将S2获得的与临床病理状态相关的独立预测因子构建成列线图模型，同时获得纳入列线图模型的各个独立预测因子的权重得分；
S4，通过列线图模型分析获得乳腺癌新辅助化疗后病理学完全缓解的阈值概率的净收益，以评估该预测模型的临床效用。


3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤S1-S4：
S1.收集患者信息，形成训练集；
S2.在S1形成的训练集中，通过多因素回归分析筛选出与临床病理状态相关的独立预测因子；
S3.将于S2获得的与临床病理状态相关的独立预测因子构建成列线图模型，同时获得纳入列线图模型的各个独立预测因子的权重得分；
S4.通过列线图模型分析获得乳腺癌新辅助化疗后病理学完全缓解的概率预测值。


4.根据前述任一项所述的预测方法或构建方法或计算机可读存储介质，其特征在于，于S1中，所述患者信息为需进行新辅助化疗的激素受体阳性型乳腺癌患者信息；优选地，所述激素受体阳性型乳腺癌患者信息包括人口学特征信息、临床病理特征信息、术前乳腺癌穿刺标本的10-miRNA风险分值和定量动态对比增强MRI影像学特征信息基础信息。


5.根据前述任一项所述的预测方法或构建方法或计算机可读存储介质，其特征在于，于S2中，通过相关性分析获得新辅助化疗诱导的病理学完全缓解的影响因素，并在训练集中通过多因素回归分析筛选出与临床病理状态相关的独立预测因子；和/或，步骤S2还包括将训练集中患者术后病理结果分为病理学完全缓解组和非病理学完全缓解组。


6.根据前述任一项所述的预测方法或构建方法或计算机可读存储介质，其特征在于，于S3中，所述列线图模型的独立预测因子包括四个信息变量，分别为10-miRNA风险分值、孕激素受体水平、人表皮生长因子受体-2状态、容量转移常数。


7.根据前述任一项所述的预测方法或构建方法或计算机可读存储介质，其特征在于，于S3与S4之间还包括：
S31，对S3构建的列线图模型进行内部验证及外部验证，通过校准曲线与一致性指数的方式确定列线图模型的预测精度和判别能力。


8.根据权利要求6所述的预测方...

【专利技术属性】
技术研发人员：宋尔卫，龚畅，沈君，杨雅平，程子亮，林婉宜，
申请(专利权)人：中山大学孙逸仙纪念医院，生物岛实验室，
类型：发明
国别省市：广东;44