使用机器学习技术评定数字病理学图像中的特征的异质性制造技术

本公开在一个实施方案中提供了一种方法，其包括：接收组织样品的数字病理学图像；以及将所述数字病理学图像细分为多个块。对于所述多个块中的每个块，所述方法包括：识别在所述块中检测到的图像特征；以及使用机器学习模型来生成与在所述块中识别的所述图像特征相对应的一个或多个标签。所述方法包括：基于生成的标签，确定针对所述组织样品的异质性度量。所述方法包括：基于所述异质性度量，生成对所述组织样品的评定。述组织样品的评定。述组织样品的评定。

【技术实现步骤摘要】
【国外来华专利技术】使用机器学习技术评定数字病理学图像中的特征的异质性
[0001]优先权
[0002]本申请根据35U.S.C.
§
119(e)要求2020年7月15日提交的美国临时专利申请号63/052297的权益，该临时专利申请以引用方式并入本文。


[0003]本公开整体涉及对数字病理学图像进行分类和评定在全切片图像中检测到的特征的异质性。
[0004]与其他非小细胞肺癌(NSCLC)相比，肺腺鳞癌的预后较差。腺癌(ADC)和鳞状细胞癌(SCC)是常见类型的NSCLC。腺鳞癌(ASC)在同一肿瘤中具有ADC和SCC两者的特征。ASC的发病率因研究而异，但估计占所有肺癌的0.4％至4％。这些癌症的诊断取决于若干因素，包括对肿瘤的充分采样、周密的审查和对组织学标准的客观解释。
[0005]某些基因突变与NSCLC或其他类型的癌症有关。具有这些突变中的一种或多种可能影响医生建议的治疗类型。因此，识别患者的这些不同基因突变可影响治疗和患者结局。通常与NSCLC相关联的基因突变包括肿瘤蛋白53(TP53)突变、Kirsten大鼠肉瘤病本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种计算机实现方法，其包括：接收组织样品的数字病理学图像；将所述数字病理学图像细分为多个块；对于所述多个块中的每个块：识别在所述块中检测到的图像特征；并且使用经训练的机器学习模型来生成与在所述块中识别的所述图像特征相对应的一个或多个标签；基于生成的标签，确定针对所述组织样品的异质性度量；以及基于所述异质性度量，生成对所述组织样品的评定。2.根据权利要求1所述的方法，其中所述组织样品的所述数字病理学图像为来自被诊断患有非小细胞肺癌的患者的肿瘤样品的全切片图像。3.根据权利要求1所述的方法，其中所述数字病理学图像为苏木精和伊红(H&E)染色的图像。4.根据权利要求1所述的方法，其中在所述数字病理学图像的所述多个块中检测到的图像特征对应于组织学结构。5.根据权利要求4所述的方法，其中所述生成的标签对应于腺癌和鳞状细胞癌癌症区域。6.根据权利要求1所述的方法，其中在所述数字病理学图像的所述多个块中检测到的图像特征对应于突变或基因变体。7.根据权利要求6所述的方法，其中所述生成的标签对应于Kirsten大鼠肉瘤病毒致癌基因同源物(KRAS)突变、表皮生长因子受体(EGFR)突变、间变性淋巴瘤激酶(ALK)突变或肿瘤蛋白53(TP53)突变。8.根据权利要求1所述的方法，其中所述异质性度量指示所述组织样品中的识别的图像特征和对应标签的异质性程度。9.根据权利要求1所述的方法，其进一步包括：基于所述生成的标签，生成基于块的标记；以及使用所述基于块的标记，生成图像特征的可视化或评估机器学习模型。10.根据权利要求9所述的方法，其中所述基于块的标记包括热图，所述热图包括多个区域，所述多个区域中的每个区域分别与强度值相关联，其中所述多个区域中的一个或多个区域进一步与所述数字病理学图像的所述块的预测标签相关联。11.根据权利要求9所述的方法，其中在所述组织样品中识别的所述图像特征的所述可视化包括以差异化颜色编码来显示所述生成的标签中的每一个。12.根据权利要求9所述的方法，其中所述基于块的标记是使用显著性映射技术生成的。13.根据权利要求1所述的方法，其进一步包括训练所述机器学习模型，其中训练所述机器学习模型包括：访问分别与多个受试者相关联的多个数字病理学图像；识别所述多个数字病理学图像中的每一个中的肿瘤区域；将所述多个数字病理学图像中的每一个细分为训练块集，其中所述集中的每个训练块
利用一个或多个...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：基因泰克公司，
类型：发明
国别省市：