一种NSCLC淋巴结转移风险的智能预测方法及系统技术方案

本发明专利技术公开了一种NSCLC淋巴结转移风险的智能预测方法及系统；通过获取肺癌患者的H&E染色全视野数字切片以及患者的临床资料；对图像数据进行质控、色块处理、筛选；将预处理后的色块用于两阶段分析流程：包括建立识别非癌组织的CNN模型和预测早期非小细胞肺癌淋巴结转移的CNN模型。两部分分析均包括：将色块图像分为训练集和验证集，并通过CNN算法构建模型，对训练的CNN模型参数进行优化，对优化后的CNN模型在验证集中进行验证。最终利用经过检测的CNN模型对早期非小细胞肺癌淋巴结转移风险进行预测。本发明专利技术采用深度学习算法评判病理切片，使得肿瘤转移风险评估的准确性得以提高，大大降低医疗成本，易于广泛推广。易于广泛推广。易于广泛推广。

An intelligent prediction method and system for the risk of lymph node metastasis in NSCLC

【技术实现步骤摘要】
一种NSCLC淋巴结转移风险的智能预测方法及系统


[0001]本专利技术属于人工智能检测
，具体涉及基于卷积神经网络的早期非小细胞肺癌淋巴结转移风险的预测方法及系统。

技术介绍

[0002]原发性肺癌是目前全球发病率和死亡率最高的恶性肿瘤，原发性非小细胞肺癌(NSCLC)是原发性肺癌的主要病理类型，今年来早期低剂量CT筛查的普及，使得早期NSCLC的检出率不断升高。针对早期NSCLC的精准治疗具有重要的临床意义。
[0003]要实现对早期肺癌进行精准的治疗，需要做到在最少手术时间、最小手术创伤的基础上实现对病灶根治的目的。然而，单纯的肿块切除手术时间虽然较短，但部分患者术后1年出现区域淋巴结转移。肿块切除连同区域1
‑
2站的淋巴结病检需要增加手术时间及冰冻病理等待的时间，对于心肺功能较差或高龄患者的术后恢复有一定风险。目前临床对T1
‑
2期非小细胞肺癌淋巴结的肿瘤转移风险并无明确高效的评估工具。
[0004]目前基因组学的研究发现具有特定驱动基因突变的肿瘤具有较高的复发率和侵袭性，比如E本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的NSCLC淋巴结转移风险的智能预测方法，其特征在于，包括以下步骤：S1：获取手术切除的T1
‑
2期肺癌肿块的常规病理H&E染色玻片的全视野数字图像(WSI)，另外获取正常肺组织的病理H&E染色玻片的全视野数字图像(WSI)；所有图像经病理专科医生筛选确认；S2：病理专科医生标记肺癌H&E全视野数字切片中正常组织区域；病理专科医生筛选正常肺组织的全视野数字切片，图像中不包含肿瘤组织；S3：对获取的图像进行色块的切割；S4：将色块图像根据所属的病例分为训练集以及验证集每集均包含1:1的肿瘤及非肿瘤色块，使用构建的卷积神经网络进行特征训练，并对量化特征进行优化；S5：训练所得的卷积神经网络的参数进行优化后，确定辨别肿瘤和正常组织的卷积神经网络模型；S6：在测试集中测试卷积神经网络模型，评价模型对辨别肿瘤和正常组织的准确性；S7：利用经验证的卷积神经网络模型对所有肺癌全视野数字切片的色块进行分析，识别并删除非肿瘤色块；S8：将肿瘤色块图像所属的病例分为训练集以及验证集每集均包含1:1的有转移病例及无转移病例的色块，并使用构建的卷积神经网络进行特征训练，并对量化特征进行优化；S9：训练所得的卷积神经网络的参数进行优化后，在测试集中测试卷积神经网络模型对评估早期非小细胞肺癌淋巴结转移风险的准确性；S10：利用经验证的两阶段卷积神经网络模型对独立测试样本进行评估。2.根据权利要求1所述一种基于CNN的NSCLC淋巴结转移风险的智能预测方法，其特征在于，所述S2中对获取的图像数据进行筛选的具体方法为：S2.1：获取患者的相关资料，排除小细胞肺癌，对严重脱色或者玻片污染的H&E染色片进行排除，排除正常肺组织H&E染色片中感染、纤维化等影响正常肺组织判别的H&E染色片；S2.2：肿瘤组织的视觉质量排除受到技术伪影的影响，如玻璃载玻片上的气泡、笔痕、水滴、灰尘、空气夹杂物、毛发等；由三名病理科专家对所有全视野数字切片的图像进行评估，按1:1选择图像分为肿瘤组织和非肿瘤组织；排除三名专家诊断不一致的图像。3.根据权利要求1所述一种基于CNN的NSCLC淋巴结转移风险的智能预测方法，其特征在于，所述S3中对获取的图像数据进行色块分割的具体方法如下：所有全视野数字切片的组织被切割为300pix
×
300pix边长的方形色块，相当于150μm
×
150μm，分辨率为0.5μmpix
‑
1；空白背景面积超过50％的色块排除；背景像素RGB(0～255)的亮度定义；对于基准任务(确定最佳神经网络模型)，这些图像被调整到400pix
×
400pix。4.根据权利要求1所述一种基于CNN的NSCLC淋巴结转移风险的智能预测方法，其特征在于，所述S4中使用构建的卷积神经网络进行特征训练，并对量化特征进行优化；所述卷积神经网络结构包括：第一层：输入数据为400
×
400
×
1，填充值是4,100个卷积核，卷积核大小为11
×
11，步长为3，得到[(400
‑
11+2
×
2)/3]+1＝132个特征，输出特征为132
×
132
×

【专利技术属性】
技术研发人员：石超，邓立彬，邱峰，娄伟明，高建莹，张黎，
申请(专利权)人：南昌市高新区人民医院南昌大学第一附属医院高新医院，
类型：发明
国别省市：