肝癌肝移植术后预后预测方法、系统及装置制造方法及图纸

本说明书实施例提供了一种基于深度学习的肝癌肝移植术后预后预测方法、系统及装置，其中，方法包括：获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、身份信息、临床血液学指标、腹部手术史、HBV

【技术实现步骤摘要】
肝癌肝移植术后预后预测方法、系统及装置


[0001]本文件涉及计算机
，尤其涉及一种基于深度学习的肝癌肝移植术后预后预测方法、系统及装置。

技术介绍

[0002]原发性肝癌是目前我国第4位常见恶性肿瘤，严重威胁我国人民的生命和健康。具有较低的远期生存率及病情迅速发展等特点，肝脏移植是终末期肝病的唯一有效治疗手段，随着手术技术的不断进步，术后免疫抑制剂的应用与管理的理念与方法不断提升，患者早期生存率已有明显提高，而术后排斥反应、免疫抑制剂的副作用，如机会感染、恶性肿瘤、代谢性疾病等成为了移植患者和移植物长期生存面临的主要威胁。肝癌术后复发风险、生存预测等关系着患者术后及后期的生命健康，通过机器深度学习的相关研究为临床患者的治疗提供了很多指导，所构建的预测模型在临床中也得到初步应用。
[0003]现有技术中，使用ANN、LR建立早期HCC根治切除手术的患者术后生存预测模型，发现ANNS比其他模型AUC更高，此外，对7919例肝癌患者临床病理资料进行分析报告，在使用Cox回归、深度学习、随机生存森林、极度梯度等算法构建肝癌根治性切除术后复发预测模型发现，XGBoost的精确度最高。目前，在针对肝癌肝移植术后预测的研究中，基于深度学习CNN联合临床血液学指标，预测患者预后情况仍无相关研究。此外，现有的对肝癌肝移植预后的预测系统包括基于化验指标的预测以及基于影像学检查的卷积神经网络预测模型，但单独应用二者往往不能兼顾患者外周血中指标变化以及肝脏肿瘤本身差异。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的肝癌肝移植术后预后预测方法、系统及装置，旨在解决现有技术中的上述问题。
[0005]本专利技术提供一种基于深度学习的肝癌肝移植术后预后预测方法，包括：
[0006]获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、身份信息、临床血液学指标、腹部手术史、HBV
‑
DNA、并发症、术后病理结果以及术后生存情况信息，得到数据集；
[0007]将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U
‑
net网络图像分割得到肝脏图像，并去除环境噪声干扰，将得到的肝脏图像输入ResNet34网络，得到包含肝脏CT信息的向量；
[0008]将临床血液学指标带入XGboost机器学习模型进行第一步预测，得到基于临床血液学指标对预后判断的预测值，将所述临床血液学指标以及所述预测值带入MLP模型，再次标记患者预后情况相关信息，得到最终预测值。
[0009]本专利技术提供一种基于深度学习的肝癌肝移植术后预后预测系统，包括：
[0010]获取模块，用于获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、身份信息、临床血液学指标、腹部手术史、HBV
‑
DNA、并发症、术后病理结果以及术后生存情况信息，
得到数据集；
[0011]处理模块，用于将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U
‑
net网络图像分割得到肝脏图像，并去除环境噪声干扰，将得到的肝脏图像输入ResNet34网络，得到包含肝脏CT信息的向量；
[0012]预测模块，用于将临床血液学指标带入XGboost机器学习模型进行第一步预测，得到基于临床血液学指标对预后判断的预测值，将所述临床血液学指标以及所述预测值带入MLP模型，再次标记患者预后情况相关信息，得到最终预测值。
[0013]本专利技术实施例还提供一种基于深度学习的肝癌肝移植术后预后预测装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于深度学习的肝癌肝移植术后预后预测方法的步骤。
[0014]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述基于深度学习的肝癌肝移植术后预后预测方法的步骤。
[0015]采用本专利技术实施例，使用MLP多层感知网络将二者联合分析，进一步增强了对肝移植患者的全面分析。
附图说明
[0016]为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1是本专利技术实施例的基于深度学习的肝癌肝移植术后预后预测方法的流程图；
[0018]图2是本专利技术实施例的基于深度学习的基于深度学习的肝癌肝移植术后预后预测方法的原理示意图；
[0019]图3是本专利技术实施例的基于深度学习的肝癌肝移植术后预后预测系统的示意图；
[0020]图4是本专利技术实施例的基于深度学习的肝癌肝移植术后预后预测装置的示意图。
具体实施方式
[0021]为了使本
的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
[0022]方法实施例
[0023]根据本专利技术实施例，提供了一种基于深度学习的肝癌肝移植术后预后预测方法，图1是本专利技术实施例的基于深度学习的肝癌肝移植术后预后预测方法的流程图，如图1所示，根据本专利技术实施例的基于深度学习的肝癌肝移植术后预后预测方法具体包括：
[0024]步骤101，获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、身份信息、临床血液学指标、腹部手术史、HBV
‑
DNA、并发症、术后病理结果以及术后生存情况信息，得到数据集；所述身份信息具体包括：性别、年龄、以及MBI。所述临床血液学指标具体包括：PNI、NLR、血红蛋白、血小板、白蛋白、TBIL、ALP、γGT、AST、ALT、以及血糖。
[0025]步骤102，将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U
‑
net网络图像分割得到肝脏图像，并去除环境噪声干扰，将得到的肝脏图像输入ResNet34网络，得到包含肝脏CT信息的向量；
[0026]步骤103，将临床血液学指标带入XGboost机器学习模型进行第一步预测，得到基于临床血液学指标对预后判断的预测值，将所述临床血液学指标以及所述预测值带入MLP模型，再次标记患者预后情况相关信息，得到最终预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的肝癌肝移植术后预后预测方法，其特征在于，包括：获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、身份信息、临床血液学指标、腹部手术史、HBV
‑
DNA、并发症、术后病理结果以及术后生存情况信息，得到数据集；将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U
‑
net网络图像分割得到肝脏图像，并去除环境噪声干扰，将得到的肝脏图像输入ResNet34网络，得到包含肝脏CT信息的向量；将临床血液学指标带入XGboost机器学习模型进行第一步预测，得到基于临床血液学指标对预后判断的预测值，将所述临床血液学指标以及所述预测值带入MLP模型，再次标记患者预后情况相关信息，得到最终预测值。2.根据权利要求1所述的方法，其特征在于，所述身份信息具体包括：性别、年龄、以及MBI。3.根据权利要求1所述的方法，其特征在于，所述临床血液学指标具体包括：PNI、NLR、血红蛋白、血小板、白蛋白、TBIL、ALP、γGT、AST、ALT、以及血糖。4.根据权利要求1所述的方法，其特征在于，将得到的肝脏图像输入ResNet34网络，得到包含肝脏CT信息的向量具体包括：将得到的肝脏图像输入ResNet34网络，首先经过64个7
×
7的卷积核，再经3
×
3卷积核池化；在conv1层使用64个7
×
7的卷积核，步长为2，将224
×
224大小的彩色图像降维到112
×
112，再进行3
×
3的最大值池化，步长为2，将维度进一步降低为56
×
56；输入由3个残差学习模块组成的conv2层，其中，每一个残差学习模块都由两个卷积层组成，卷积核大小为3
×
3，64个通道；输入由4个残差学习模块组成的conv3层，在conv3_1的某一卷积层，将步长调整为2，从而将conv3_4的输出维度降低到28
×
28；输入由6个残差学习模块组成的conv4层，在conv4中的某一卷积层将步长调整为2，将conv4的输出维度降低到14
×
14；输入由3个残差学习模块组成conv5层，在conv5将步长调整为2，最后输出7
×
7维的肝脏CT图像；最后经过一个全连接层，输出到1000分类，得到包含患者肝脏增强CT信息的向量。5.一种基于深度学习的肝癌肝移植术后预后预测系统，其特征在于，包括：获取模块，用于获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、身份信息、临床血液学指标、腹部手术史、HBV
‑
DNA、并发症、术后病...

【专利技术属性】
技术研发人员：朱继巧，王若麟，贾亚男，丁程，李先亮，贺强，
申请(专利权)人：首都医科大学附属北京朝阳医院，
类型：发明
国别省市：