一种IgA肾病病理分析、预后预测及病理指标挖掘系统技术方案

本发明专利技术涉及一种IgA肾病病理分析、预后预测及病理指标挖掘系统，包括：扫描标注模块，用于对病理切片图像进行扫描和标注；图像预处理模块，用于对经过扫描和标注后的病理切片进行预处理，并将经过预处理的图像分为训练集和验证集；模型训练模块，用于将训练集中的图像输入初始模型，对初始模型进行训练获得最优模型；验证模块，用于将验证集中的图像输入最优模型，并对其进行验证；分析模块，用于对最优模型的输出结果进行分析，获得每个病例病变特征和程度的指标量化值。其在输入图像后可迅速得出多项病理指标的分析结果，分析效率远高于人工评估，且评估结果不受主观因素影响，结果稳定性也远高于人工评估结果。定性也远高于人工评估结果。定性也远高于人工评估结果。

【技术实现步骤摘要】
一种IgA肾病病理分析、预后预测及病理指标挖掘系统


[0001]本专利技术涉及一种基于人工智能的IgA肾病病理分析、预后预测及病理指标挖掘系统，属于疾病分析系统
，特别涉及IgA肾病分析领域。

技术介绍

[0002]IgA肾病(IgA nephropathy)是全世界、尤其亚洲地区最常见的肾小球疾病，约占我国全部肾活检病例的30％，原发性肾小球疾病的45
‑
50％。IgA肾病具有进展性，约15
‑
40％的成人患者在10年后会进展到终末期肾病(end stage renal disease，ESRD)，需要替代治疗维持生命，给个人和社会带来极大的负担。IgA肾病的确诊、治疗方案选择与预后评估都极大地依赖于肾活检病理学检查。特别是光镜下的病理检查，能提供丰富的病变信息，但同时也存在着显著的异质性：即包括体现病情活动的肾小球系膜细胞增生、肾小球毛细血管内皮细胞增生和细胞性/细胞纤维性新月体形成等；也包括体现病情慢性化的肾小球硬化、肾小管萎缩和肾间质纤维化等。每一种病理改变的程度也有很大的个体差异。因此，光镜下的病理学评估是IgA肾病病理学检查的核心内容以及难点所在。几十年来，不同的研究组先后制定了一系列病理评估系统。目前最广为应用的是IgA肾病牛津病理分型(简称“牛津分型”)。不论哪种评估系统，肾脏病理医生在评估过程中，依然面临一些问题。首先，一致性(重复性)不佳问题。人的主观性是人工病理评估中难以避免的问题，也成为开展IgA肾病诊治国际合作研究的一个瓶颈。用多中心的更大样本的病例验证牛津分型时发现，在未经过培训的病理医师之间分型的一致性更差。其次，病理信息的损失问题。病变的严重程度和分布范围本是一个谱系，可以看作连续性变量。但受到人工评估效率的制约，也为提高一致性的目的，分型的病理指标分值都尽量简化，尤其牛津分型，多数仅判断为0或1分，这必然损失了大量的病理信息，与精准的个体化医疗仍然有所差距。再次，既往评分系统对指标的筛选或是凭病理医生主观经验，或是依据传统预后模型进行单因素或多因素预后分析结果，而后者受到统计学方法的限制，只能纳入有限的指标，且要求各指标之间无相关性，这都与肾脏病理的实际情况相矛盾。

技术实现思路

[0003]针对上述问题，本专利技术的目的是提供了一种基于人工智能的IgA肾病病理分析、预后预测及病理指标挖掘系统，其在输入图像后可迅速得出多项病理指标的分析结果，分析效率远高于人工评估，且评估结果不受主观因素影响，结果稳定性也远高于人工评估结果。
[0004]为实现上述目的，本专利技术提出了以下技术方案：一种IgA肾病病理分析系统，包括：扫描标注模块、图像预处理模块、模型训练模块、验证模块和分析模块；扫描标注模块，用于对病理切片图像进行扫描和标注；图像预处理模块，用于对经过扫描和标注后的病理切片进行预处理，并将经过预处理的图像分为训练集和验证集；模型训练模块，用于将训练集中的图像输入初始模型，对初始模型进行训练获得最优模型；验证模块，用于将验证集中的图像输入最优模型，并对其进行验证；分析模块，用于对最优模型的输出结果进行分析，获得
每个病例病变特征和程度的指标量化值。
[0005]进一步，扫描标注模块包括若干分类标签，分类标签包括：肾小球固有区域的分类标签、肾小球病变区域的分类标签、肾小管区域的分类标签、肾间质区域的分类标签、肾小管和肾间质总体标签、小动脉区域的分类标签和标本整体区域的分类标签中的至少一种。
[0006]进一步，肾小球固有区域的分类标签包括正常肾小球边界、肾小球毛细血管袢、系膜区、内皮细胞核、系膜细胞核和足细胞核中至少一种；肾小球病变区域的分类标签包括球性硬化、缺血性硬化、节段性硬化、各类新月体、袢坏死和球囊粘连中至少一种；肾小管区域的分类标签包括：正常肾小管、萎缩肾小管和急性损伤的肾小管中至少一种；肾间质区域的分类标签包括：淋巴单核细胞浸润区域和纤维化区域中至少一种；肾小管和肾间质总体标签包括：正常肾小管间质区域、淋巴单核细胞浸润为主的区域、肾小管萎缩和肾间质纤维化为主的区域中至少一种；小动脉区域的分类标签包括小动脉管壁外轮廓和小动脉管腔内轮廓中至少一种；标本整体区域的分类标签包括肾皮质区域、肾髓质区域和肾被膜区域中至少一种。
[0007]进一步，预处理包括：将输入的图像进行图片随机旋转90
°
、水平翻折、垂直翻折、转置和随机裁剪至少一种变换，将变换后的图像加入数据集；对于分辨率过高无法输入初始模型的图像进行图像切割。
[0008]进一步，初始模型为卷积神经网络，使用ResNet101
‑
FPN作为骨干神经网络，采用监督学习方法将训练集图片输入模型进行训练。
[0009]进一步，验证模块将验证集中的图像输入最优模型进行验证，使用非极大值抑制算法，计算各个输出结果的交并比，若交并比大于预设阈值，则对输出结果进行抑制，只保留置信度最大的输出结果。
[0010]进一步，指标量化值包括球性硬化积分、系膜细胞增生积分、细胞性/细胞纤维性新月体积分和肾小管萎缩积分。
[0011]另一方面，本专利技术还公开了一种IgA肾病预后预测系统，包括：数据采集模块、数据标注模块、模型训练模块、验证模块和输出模块；数据采集模块，用于采集IgA肾病分析数据，IgA肾病分析数据至少包括采用上述任一项的IgA肾病病理分析系统获得的指标量化值；数据标注模块，用于将数据采集模块获得的IgA肾病分析数据标注上治疗反应标签或预后标签，并将经过标注的数据分为训练集和验证集；模型训练模块，用于将训练集中的数据输入初始模型，对初始模型进行训练获得最优模型；验证模块，用于将验证集中的图数据输入最优模型，并对其进行验证；输出模块，用于将待测数据输入最优模型中，获得IgA肾病预后预测结果。
[0012]进一步，IgA肾病分析数据还包括：IgA肾病患者的人口学资料、临床检验指标、IgA肾病相关基因检测结果，IgA肾病患者的治疗方案和其在经过治疗后一段时间内的临床检验指标。
[0013]第三方面，本专利技术还公开了一种IgA肾病的病理指标挖掘系统，包括：数据采集模块、模型训练模块、验证模块和输出模块；数据采集模块，用于提取经过上述任一项的IgA肾病病理分析系统分析获得的肾脏各区域图像，并将肾脏各区域图像分为训练集和验证集；模型训练模块，用于通过弱监督学习方法建立初始模型，将训练集中的数据输入初始模型，对初始模型进行训练获得最优模型；验证模块，用于将验证集中的图数据输入最优模型，并
对其进行验证；可视化模块，用于将待测数据输入最优模型中，对最优模型的输出结果进行可视化显示，并对其进行分析以得出治疗或预后阶段对应的病理特征。
[0014]进一步，模型训练模块采用弱监督学习方法将肾脏各区域图像以及对应的治疗方案指标输入初始模型，调整初始模型参数使模型回归或分类结果达到最优；分别建立卷积神经网络和逻辑回归模型，采用ResNet
‑
101作为卷积神经网络的骨干网络，用于提取图像特征，使用逻辑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种IgA肾病病理分析系统，其特征在于，包括：扫描标注模块、图像预处理模块、模型训练模块、验证模块和分析模块；扫描标注模块，用于对病理切片图像进行扫描和标注；图像预处理模块，用于对经过扫描和标注后的病理切片进行预处理，并将经过预处理的图像分为训练集和验证集；模型训练模块，用于将训练集中的图像输入初始模型，对所述初始模型进行训练获得最优模型；验证模块，用于将验证集中的图像输入所述最优模型，并对其进行验证；分析模块，用于对所述最优模型的输出结果进行分析，获得每个病例病变特征和程度的指标量化值。2.如权利要求1所述的IgA肾病病理分析系统，其特征在于，所述扫描标注模块包括若干分类标签，所述分类标签包括：肾小球固有区域的分类标签、肾小球病变区域的分类标签、肾小管区域的分类标签、肾间质区域的分类标签、肾小管和肾间质总体标签、小动脉区域的分类标签和标本整体区域的分类标签中的至少一种。3.如权利要求2所述的IgA肾病病理分析系统，其特征在于，所述肾小球固有区域的分类标签包括正常肾小球边界、肾小球毛细血管袢、系膜区、内皮细胞核、系膜细胞核和足细胞核中至少一种；肾小球病变区域的分类标签包括球性硬化、缺血性硬化、节段性硬化、各类新月体、袢坏死和球囊粘连中至少一种；肾小管区域的分类标签包括：正常肾小管、萎缩肾小管和急性损伤的肾小管中至少一种；肾间质区域的分类标签包括：淋巴单核细胞浸润区域和纤维化区域中至少一种；肾小管和肾间质总体标签包括：正常肾小管间质区域、淋巴单核细胞浸润为主的区域、肾小管萎缩和肾间质纤维化为主的区域中至少一种；小动脉区域的分类标签包括小动脉管壁外轮廓和小动脉管腔内轮廓中至少一种；标本整体区域的分类标签包括肾皮质区域、肾髓质区域和肾被膜区域中至少一种。4.如权利要求1所述的IgA肾病病理分析系统，其特征在于，所述初始模型为卷积神经网络，使用ResNet101
‑
FPN作为骨干神经网络，采用监督学习方法将训练集图片输入模型进行训练。5.如权利要求1所述的IgA肾病病理分析系统，其特征在于，所述验证模块将验证集中的图像输入最优模型进行验证，使用非极大值抑制算法，计算各个输出结果的交并比，若所述交并比大于预设阈值，则对所述输出结果进行抑制，只保留置信度最大的输出结果。6.如权利要求1所述的IgA肾病病理分析系统，其特征在于，所述指标量...

【专利技术属性】
技术研发人员：蒋镭，祝闯，刘军，陈文恺，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：