预测乳腺癌相对生存风险的方法、系统、设备及存储介质技术方案

本发明专利技术属于生物技术领域，公开了结合组织学全切片图像和基因突变标签预测乳腺癌相对生存风险的方法、系统、计算机设备和存储介质。所述方法包括：对于一对患者的每一个，获取肿瘤组织学全切片图像数据，和基因突变数据；根据获取的所述图像数据获取图像特征；从所述基因突变数据中选取对生存有显著性影响的基因以获取基因组特征；通过孪生网络处理所述图像特征和所述基因组特征，包括：使用循环神经网络处理所述图像特征，使用全连接网络处理所述基因组特征；将处理后的图像特征和基因组特征拼接以得到该患者的融合特征；以及对于所述一对患者，基于该对患者的融合特征的差值使用所述输出线性层预测该对患者的相对生存风险。述输出线性层预测该对患者的相对生存风险。述输出线性层预测该对患者的相对生存风险。

【技术实现步骤摘要】
预测乳腺癌相对生存风险的方法、系统、设备及存储介质


[0001]本专利技术涉及生物医学领域，尤其涉及结合组织学全切片图像和基因突变标签预测乳腺癌相对生存风险的方法、系统、计算机设备及非暂时性计算机可读存储介质。

技术介绍

[0002]根据世界卫生组织癌症数据(https://www.who.int/en/news
‑
room/fact
‑
sheets/detail/cancer)[1]，乳腺癌是引发女性死亡的主要原因之一。乳腺癌是一种非常复杂的疾病，不同患者的结局往往差别很大。当前，标准的乳腺癌治疗方案包括外科手术(乳房切除术)、化学疗法、放射疗法、以及可能的激素疗法或者靶向疗法。现有的治疗方案致力于切除肿瘤并杀死任何残存的肿瘤细胞，常常需要根据患者的肿瘤分级和整体健康状况进行调整。因此，如果可以较为精确地预测患者的生存风险，就可以帮助医生更好地调整治疗方案。
[0003]现有的乳腺癌生存分析方法，依据其使用的数据可以分为三类：只使用影像数据的方法，例如Barnes等人的“Assessing risk本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合组织学全切片图像和基因突变标签预测乳腺癌相对生存风险的方法，所述方法包括以下步骤：(a)对于一对患者的每一个，获取肿瘤组织学全切片图像数据，和基因突变数据；(b)根据获取的所述图像数据获取图像特征，包括：将所述组织学全切片图像切分为图像块，对所述图像块进行特征提取，筛除非肿瘤图像块并且对剩下的图像块进行聚类，将经过排序的类中心作为所述图像特征；(c)从所述基因突变数据中选取对生存有显著性影响的基因以获取基因组特征；(d)通过孪生网络处理所述图像特征和所述基因组特征，所述孪生网络包括用于处理图像特征的循环神经网络、用于处理基因组特征的全连接网络和用于输出结果的输出线性层，包括：使用循环神经网络处理所述图像特征，使用全连接网络处理所述基因组特征；(e)将处理后的图像特征和基因组特征拼接以得到该患者的融合特征；以及(f)对于所述一对患者，基于该对患者的融合特征的差值使用所述输出线性层预测该对患者的相对生存风险。2.根据权利要求1所述的方法，步骤(b)中的将所述组织学全切片图像切分为所述图像块包括：从放大后的组织学全切片图像上并排地切分以得到所述图像块。3.根据权利要求1所述的方法，步骤(b)还包括：在将所述组织学全切片图像切分为图像块后对所述图像块进行色彩归一化处理。4.根据权利要求1所述的方法，步骤(b)还包括：使用预先训练好的神经网络对所述图像块进行特征提取。5.根据权利要求4所述的方法，还包括：所述预先训练好的神经网络是在图像分类数据库例如ImageNet上预先训练的PNASNet神经网络。6.根据权利要求1所述的方法，步骤(b)中的筛除非肿瘤图像块包括：使用在非肿瘤区域图像块的特征上训练的高斯混合模型对所提取的特征进行过滤以筛除非肿瘤图像块。7.根据权利要求6所述的方法，利用所得的高斯混合模型模型进行步骤(b)中的类中心的排序。8.根据权利要求1所述的方法，步骤(c)中的基因选取是通过在基因的突变集和非突变集上生存信息的对数秩检验实现的，其中p值阈值为0.05。9.根据权利要求1所述的方法，步骤(d)中的循环神经网络是一个独立的...

【专利技术属性】
技术研发人员：余维川，刘少军，
申请(专利权)人：香港科技大学，
类型：发明
国别省市：