基于人工智能的黑素瘤患者PD-1治疗疗效预测方法及系统技术方案

本发明专利技术公开了基于人工智能的黑素瘤患者PD

【技术实现步骤摘要】
基于人工智能的黑素瘤患者PD
‑
1治疗疗效预测方法及系统


[0001]本专利技术涉及计算机辅助诊断领域，尤其涉及基于人工智能的黑素瘤患者PD
‑
1治疗疗效预测方法及系统。

技术介绍

[0002]PD
‑
1治疗可广泛用于各个系统的肿瘤，且可较大程度延长患者的五年生存期。但目前对于PD
‑
1治疗的疗效预测，对于各个系统的肿瘤，均未研发出准确、可靠、可在临床大范围推广使用的疗效预测方法。根据国家综合癌症网络（NCCN）肿瘤学临床实践指南，通过活检的免疫组织化学 (IHC) 确定的程序性死亡配体 1 (PD
‑
L1) 表达状态是唯一经临床批准的用于预测PD
‑
1治疗疗效的生物标志物。但由于肿瘤组织存在异质性，活检取出的部分肿瘤组织对于PD
‑
1治疗疗效的预测可能产生较大的误差。且此种方法要求执行团队具有丰富的免疫学相关知识与技术体系，难以在医疗水平较低的医疗机构进行推广。同时活检是一种有创性的操作，活检的过程可能还会增加肿瘤播散的可能。此外，活检取得的组织可能无法使用，且存在免疫组化失败的可能。
[0003]其他与预后相关的影响因素如患者LDH水平、年龄、是否发生转移、癌症家族史等，虽在统计学上被证明与预后具有相关性，但尚未明确其中的机制，不能作为独立的可以预测PD
‑
1治疗疗效的指标。
[0004]目前，基于影像组学和人工智能预测肿瘤患者的PD
‑
1治疗疗效已经在肺癌、胰腺癌、胆管癌、膀胱癌等多个肿瘤中实现。基于形状、大小、体素强度和纹理的定量图像特征等的放射组学分析与肿瘤组织中的基因和蛋白质表达密切相关，但传统的影像学分析主要基于解剖学变化，严重依赖于医生的主观判断，因此基于B超、CT、MRI、PET
‑
CT等多种影像学方法的人工智能PD
‑
1治疗疗效预测模型已经被成功构建。
[0005]Roger Sun等人的研究表明，肿瘤及其外围的影像组学特征可以提供关于肿瘤及其微环境的信息，因此影像组学特征能够预测接受PD
‑
1治疗的患者的临床结果。根据此原理，影像组学特征可用于预测包括黑素瘤在内的肿瘤患者对于PD
‑
1治疗的临床结果。但目前基于影像组学和人工智能预测肿瘤患者的PD
‑
1治疗疗效主要集中于肺癌等较为常见的肿瘤类型，且尚未出现将影像学信息、LDH等检验结果、病史资料、免疫组化等信息结合起来预测黑素瘤患者PD
‑
1治疗疗效的模型。LDH、病史资料、免疫组化等信息虽无法作为独立的可以预测PD
‑
1治疗疗效的指标，但多项研究在统计学上证明其与预后具有相关性，因此将这几项指标纳入输入项可以提高模型的准确性。
[0006]现有技术存在的主要问题在于：（1）通过活检的免疫组织化学确定程序性死亡配体 1 (PD
‑
L1) 的表达状态从而预测疗效，由于肿瘤的异质性而具有较大的误差，且为有创性操作，同时对执行团队技术要求高；（2）活检取得的组织可能无法使用，且存在免疫组化失败的可能；（3）传统的影像学分析主要基于解剖学变化，严重依赖于医生的主观判断；（4）目前基于影像组学和人工智能预测肿瘤患者的PD
‑
1治疗疗效主要集中于肺癌等较为常见的肿瘤类型。

技术实现思路

[0007]本专利技术提供了基于人工智能的黑素瘤患者PD
‑
1治疗疗效预测方法及系统，用于解决传统的影像学分析依赖于影像科医生主观判断、客观性差的技术问题。
[0008]为解决上述技术问题，本专利技术提出的技术方案为：一种基于人工智能的黑素瘤患者PD
‑
1治疗疗效预测方法，包括以下步骤：获取多个黑素瘤患者的病历数据、使用的PD
‑
1治疗方式及其对应的治疗疗效数据构建训练集；构建以黑素瘤患者的病历数据、使用的PD
‑
1治疗方式作为输入数据，以对应的治疗疗效数据为输出数据的卷积神经网络模型，并使用所述训练集训练所述卷积神经网络模型；将目标黑素瘤患者的病历数据、使用的PD
‑
1治疗方式输入到训练好的所述卷积神经网络模型中，得到目标黑素瘤患者的PD
‑
1治疗疗效。
[0009]优选的，所述病历数据包括：黑素瘤患者的病史资料、影像学信息、LDH以及病理学信息；所述卷积神经网络模型为多模态卷积神经网络模型。
[0010]优选的，所述多模态卷积神经网络模型以训练集的患者数据为基础进行深度学习，使用自主探索的高效算法对图像进行分割，经过特征提取和特征筛选后，将图像数据和结构化的病史资料、LDH、病理学信息、影像学信息共同作为输入项，并对不同模态的数据权重进行调整，构建疗效预测的最优模型。
[0011]优选的，所述述多模态卷积神经网络模型具体为KNN近邻学习模型。
[0012]一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0013]本专利技术具有以下有益效果：1、本专利技术中的基于人工智能的黑素瘤患者PD
‑
1治疗疗效预测方法及系统，通过获取多个黑素瘤患者的病历数据、使用的PD
‑
1治疗方式及其对应的治疗疗效构建训练集；构建以黑素瘤患者的病历数据、使用的PD
‑
1治疗方式作为输入数据，以对应的治疗疗效为输出数据的卷积神经网络模型，并使用所述训练集训练所述卷积神经网络模型；将目标黑素瘤患者的病历数据、使用的PD
‑
1治疗方式输入到训练好的所述卷积神经网络模型中，得到目标黑素瘤患者的PD
‑
1治疗疗效。相比现有技术，本专利技术可以克服传统的影像学分析依赖于影像科医生主观判断、客观性差的缺点，使用无创的检查方法即可预测患者的疗效，在提高准确率的同时降低疗效预测的技术门槛，为临床上目前难以预判PD
‑
1治疗疗效的黑素瘤患者提供一种疗效预测的方法，避免不必要的医疗负担，本专利技术弥补了目前PD
‑
1预测疗效的方法空白，使用神经网络模型构建了预测疗效的方案，可以给医生提供一种参考，辅助决策判断。
[0014]除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照附图，对本专利技术作进一步详细的说明。
附图说明
[0015]构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
图1是本专利技术中基于人工智能的黑素瘤患者PD
‑
1治疗疗效预测方法的流程图；图2 是本专利技术优选实施例中的影像学信息和LDH信息的示意图。
具体实施方式
[0016]以下结合附图对本专利技术的实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的黑素瘤患者PD
‑
1治疗疗效预测方法，其特征在于，包括以下步骤：获取多个黑素瘤患者的病历数据、使用的PD
‑
1治疗方式及其对应的治疗疗效数据构建训练集；构建以黑素瘤患者的病历数据、使用的PD
‑
1治疗方式作为输入数据，以对应的治疗疗效数据为输出数据的卷积神经网络模型，并使用所述训练集训练所述卷积神经网络模型；将目标黑素瘤患者的病历数据、使用的PD
‑
1治疗方式输入到训练好的所述卷积神经网络模型中，得到目标黑素瘤患者的PD
‑
1治疗疗效。2.根据权利要求1所述的基于人工智能的黑素瘤患者PD
‑
1治疗疗效预测方法，其特征在于，所述病历数据包括：黑素瘤患者的病史资料、影像学信息、LDH以及病理学信...

【专利技术属性】
技术研发人员：赵爽，黄凯，陈翔，蒋梓汐，
申请(专利权)人：中南大学湘雅医院，
类型：发明
国别省市：