基于人工智能的对神经胶质瘤进行风险分级的方法和系统技术方案

公开了一种基于机器学习的对神经胶质瘤进行风险分级的方法和系统。该方法包括如何获取神经胶质瘤患者的临床病理数据和从患者的神经胶质瘤的染色体信息中提取生物标志物数据。该方法还可包括通过执行风险预测引擎基于生物标志物数据和临床病理数据预测神经胶质瘤复发和恶化的风险分级。该方法还可以包括基于神经胶质瘤的风险分级为患者生成医疗保健治疗建议。治疗建议。治疗建议。

【技术实现步骤摘要】
基于人工智能的对神经胶质瘤进行风险分级的方法和系统


[0001]本公开涉及人工智能应用
，尤其涉及对神经胶质瘤进行风险分级方面。

技术介绍

[0002]神经胶质瘤是一种起源于大脑的常见类型的肿瘤。高危低级别胶质瘤(low
‑
grade glioma，LGG)应在手术切除后立即接受辅助放射疗法，而低危LGG患者则建议观察等待。然而，LGG的遗传和病理异质性使为制定最佳治疗计划的患者分层复杂化。

技术实现思路

[0003]本公开涉及基于人工智能模型对神经胶质瘤进行风险分级的系统和方法。
[0004]在一方面中，本文提供了一种由处理器电路执行的神经胶质瘤风险分级方法。该方法可以包括获取神经胶质瘤患者的临床病理数据和从患者的神经胶质瘤的染色体信息中提取生物标志物数据。该方法还可包括通过执行风险预测引擎基于生物标志物数据和临床病理数据预测神经胶质瘤的风险分级，并基于神经胶质瘤的风险分级为患者生成医疗保健治疗建议。
[0005]在一些实施例中，生物标志物数据可以包括基因突变数据、染色体变异数据或基因表达数据。
[0006]在一些实施例中，生物标志物数据可以包括基因突变数据，从患者的神经胶质瘤的染色体信息中提取生物标志物数据可以包括：在多个患者的神经胶质瘤中，识别预定数量的具有最多基因突变的目标基因类型，以及从患者的神经胶质瘤的染色体信息中提取目标基因类型的基因突变数据。
[0007]在一些实施例中，生物标志物数据可以包括染色体变异数据，从患者的神经胶质瘤的染色体信息中提取生物标志物数据可以包括：在多个患者的神经胶质瘤中的多个基因中，识别预定数量的具有最多变异的目标基因类型；以及从患者的神经胶质瘤的染色体信息中提取目标基因类型的染色体变异数据。
[0008]在一些实施例中，基因突变数据可以包括异柠檬酸脱氢酶1(IDHl)、肿瘤蛋白p53(TP53)、ATRX染色质重塑因子(ATRX)或capicua转录抑制因子(CIC)的突变状态和突变类型，以及突变类型包括移码突变、剪接位点突变、错义突变、框内突变或同义突变。
[0009]在一些实施例中，染色体变异数据可以包括磷酸酶和张力蛋白同源物(PTEN)、Cullin 2(CUL2)、表皮生长因子受体(EGFR)或细胞周期蛋白依赖性激酶抑制剂2A(CDKN2A)的拷贝数变异。
[0010]在一些实施例中，至少一部分染色体变异数据与神经胶质瘤的无进展生存期呈正相关，至少一部分染色体变异数据与神经胶质瘤的无进展生存期呈负相关。
[0011]在一些实施例中，基因表达数据可以包括磷酸酶和张力蛋白同源物(PTEN)、Cullin 2(CUL2)、表皮生长因子受体(EGFR)和细胞周期蛋白依赖性激酶抑制剂2A(CDKN2A)的核糖核酸(RNA)水平。
[0012]在一些实施例中，临床病理数据可以包括患者在神经胶质瘤诊断时的年龄、患者的性别或患者的组织学类型，组织学类型包括星形细胞瘤、少突星形细胞瘤或少突神经胶质瘤。
[0013]在一些实施例中，风险预测引擎包括人工神经网络模型，人工神经网络模型被训练用于预测患者神经胶质瘤的风险分级。
[0014]在一些实施例中，该方法还可以包括通过以下方式获得风险预测引擎：获取多个患者的神经胶质瘤病例的病例数据。病例数据可以包括临床病理数据和生物标志物数据。该方法还可以包括对病例数据进行预处理，得到预处理后的病例数据，以及将预处理后的病例数据作为训练数据集训练人工神经网络模型。
[0015]在一些实施例中，对病例数据进行预处理可以包括：排除最长无进展生存期或总生存期超过预定持续时间阈值的神经胶质瘤病例的病例数据，将病例数据中的分类变量转换为指示变量，对病例数据进行归一化处理，得到预处理后的病例数据。
[0016]在一些实施例中，该方法还可以包括：响应于基于神经胶质瘤成像的患者的神经胶质瘤的进展，基于神经胶质瘤的风险分级将进展确定为真正进展或假性进展。
[0017]在另一方面中，本文提供了一种对神经胶质瘤进行风险分级的系统。该系统可以包括存储有可执行指令的存储器和与存储器通信的处理器电路。处理器电路在执行指令时可以被配置为获取神经胶质瘤患者的临床病理数据和从患者的神经胶质瘤的染色体信息中提取生物标志物数据。处理器电路还可被配置为通过执行风险预测引擎基于生物标志物数据和临床病理数据预测神经胶质瘤的风险分级，并基于神经胶质瘤的风险分级为患者生成医疗保健治疗建议。
[0018]在一些实施例中，生物标志物数据可以包括基因突变数据、染色体变异数据或基因表达数据。
[0019]在一些实施例中，生物标志物数据可以包括基因突变数据，并且处理器电路可以进一步被配置为：在多个患者的神经胶质瘤中，识别预定数量的具有最多基因突变的目标基因类型，以及从患者的神经胶质瘤的染色体信息中提取目标基因类型的基因突变数据。
[0020]在一些实施例中，生物标志物数据可以包括染色体变异数据，并且处理器电路可以进一步被配置为：在多个患者的神经胶质瘤中的多个基因中，识别预定数量的具有最多变异的目标基因类型；以及从患者的神经胶质瘤的染色体信息中提取目标基因类型的染色体变异数据。
[0021]在一些实施例中，至少一部分染色体变异数据与神经胶质瘤的无进展生存期呈正相关，至少一部分染色体变异数据与神经胶质瘤的无进展生存期呈负相关。
[0022]在一些实施例中，处理器电路还可以被配置为响应于基于神经胶质瘤成像的患者的神经胶质瘤的进展，基于神经胶质瘤的风险分级将进展确定为真正进展或假性进展。
[0023]在另一方面中，本文提供了一种对神经胶质瘤进行风险分级的产品。该产品可以包括非暂时性的机器可读介质及存储在机器可读介质上的指令。指令可以被配置为在执行时使处理器电路获取神经胶质瘤患者的临床病理数据和从患者的神经胶质瘤的染色体信息中提取生物标志物数据。指令还可以被配置为使处理器电路通过执行风险预测引擎基于生物标志物数据和临床病理数据预测神经胶质瘤的风险分级，并基于神经胶质瘤的风险分级为患者生成医疗保健治疗建议。
[0024]下面描述的系统和方法的一个有意义特征可以是它可以准确地识别具有高进展风险的神经胶质瘤患者。例如，系统和方法可以有效地识别与神经胶质瘤进展最相关的因素。所述因素可以包括临床病理数据，例如患者在神经胶质瘤诊断时的年龄、患者的性别和患者的组织学类型，以及生物标志物数据，例如具有最多突变的基因类型的基因突变数据和具有最大基因拷贝数变异的基因类型的染色体变异数据。然后，该系统和方法可以利用机器学习模型来预测患者神经胶质瘤的风险分级，其中所述因素作为机器学习模型的输入。另外，所述系统和方法可以通过在预测神经胶质瘤的风险分级时同时考虑与神经胶质瘤进展正相关的因素和与神经胶质瘤进展负相关的因素，进一步提高风险分级预测的准确性。
[0025]在附图、说明书和权利要求中更详细地解释了上述实施例和其他方面以及这些实施方式的替代方案。
附图说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：利用处理器电路，获取神经胶质瘤患者的临床病理数据；利用所述处理器电路，从所述患者的所述神经胶质瘤的染色体信息中提取生物标志物数据；利用所述处理器电路，通过执行风险预测引擎基于所述生物标志物数据和所述临床病理数据预测所述神经胶质瘤的风险分级。2.根据权利要求1所述的方法，其中，所述生物标志物数据包括基因突变数据、染色体变异数据或基因表达数据。3.根据权利要求2所述的方法，其中，所述生物标志物数据包括基因突变数据，所述从所述患者的所述神经胶质瘤的染色体信息中提取生物标志物数据包括：在多个患者的神经胶质瘤中，识别预定数量的具有最多基因突变的目标基因类型；以及从所述患者的所述神经胶质瘤的所述染色体信息中提取所述目标基因类型的所述基因突变数据。4.一种系统，包括：存储有可执行指令的存储器；与所述存储器通信的处理器电路，所述处理器电路在执行所述指令时被配置为：获取神经胶质瘤患者的临床病理数据；从所述患者的所述神经胶质瘤的染色体信息中提取生物标志物数据；通过执行风险预测引擎基于所述生物标志物数据和所述临床病理数据预测所述神经胶质瘤的风险分级；以及基于所述神经胶质瘤的所述风险分级为所述患者生成医疗保健治疗建议。5.根据权利要求4所述的系统，其中，所述生物标志物数据包括基因突变数据、染色体变异数据或基因表达数据。6.根据权利要求5所述的系统，其中，所述生物标志物数据包括基因突变数据，所述...

【专利技术属性】
技术研发人员：郑淑华，吴祎林，
申请(专利权)人：吴祎林，
类型：发明
国别省市：