基于病理组学深度神经网络模型的免疫治疗疗效预测方法技术

本发明专利技术公开了基于病理组学深度神经网络模型的免疫治疗疗效预测方法，应用于人工智能肿瘤研究领域，包括：获取接受免疫治疗患者数据集，收集全扫描病理切片图像，并将每张图像分割为多个补丁小块，按预设比例分为训练集和验证集；应用分类交叉熵损失函数在训练集上训练补丁小块层面的Vit模型，连接softmax函数，输出训练集中每个补丁小块预测为正确标签的概率，并根据预测概率对每张全扫描病理切片图像的补丁小块进行排序，择优选取预设数量的补丁小块作为输入，训练Vit

【技术实现步骤摘要】
基于病理组学深度神经网络模型的免疫治疗疗效预测方法


[0001]本专利技术涉及人工智能肿瘤研究领域，特别涉及基于病理组学深度神经网络模型的免疫治疗疗效预测方法。

技术介绍

[0002]免疫治疗在无驱动基因突变的非小细胞肺癌(NSCLC)患者中具有持久疗效，将晚期患者的5年生存率提高至30％。然而免疫治疗的敏感人群仍相对有限，仅40％的NSCLC患者可以从一线免疫治疗联合化疗中获益。因此，免疫治疗的精准疗效预测和获益人群的筛选对改善患者生存至关重要。
[0003]现有技术中，PD
‑
L1表达是目前临床常用的免疫治疗的生物标志物，但其预测免疫治疗反应的作用有限，一项纳入4064例NSCLC患者的真实世界研究发现PD
‑
L1表达与患者OS并无显著相关性。因此，亟需寻找更为可靠、稳健的疗效预测标志物指导精准免疫治疗。
[0004]苏木精伊红(H&E)染色的组织病理切片不仅可用于恶性肿瘤的诊断和分型，其中的细胞核等特征也被发现可以预测肺癌患者的预后；且随着显微摄影和扫描技术的快速发展，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于病理组学深度神经网络模型的免疫治疗疗效预测方法，其特征在于，包括：步骤(1)：获取包含全扫描病理切片图像的免疫治疗数据集，并进行图像分割预处理，将每张所述全扫描病理切片图像分割为多个补丁小块，按预设比例分为训练集和验证集；步骤(2)：以患者的无进展生存时间作为标签值，应用分类交叉熵损失函数在所述训练集上训练所述补丁小块层面的Vit模型，连接softmax函数，输出所述训练集中每个所述补丁小块预测为正确标签的概率，并根据所述预测概率对所述补丁小块进行排序；步骤(3)：根据所述补丁小块排序，在每张所述全扫描病理切片图像中择优选取预设数量的补丁小块作为输入，训练Vit
‑
RNN疗效预测模型，并在所述验证集中评估预测性能。2.根据权利要求1所述的基于病理组学深度神经网络模型的免疫治疗疗效预测方法，其特征在于，步骤(1)中，所述全扫描病理切片图像通过数字切片扫描仪技术扫描H&E染色的组织病理切片得到。3.根据权利要求1所...

【专利技术属性】
技术研发人员：王琳琳，李步托，董涛涛，徐一月，高爱琴，范秉杰，余以珊，
申请(专利权)人：山东第一医科大学附属肿瘤医院山东省肿瘤防治研究院，山东省肿瘤医院，
类型：发明
国别省市：