对前列腺癌预后的人工智能预测制造技术

一种用于前列腺癌预后的AI预测的示例方法涉及：接收前列腺组织的图像；使用人工智能格里森分级模型将格里森模式值分配到所述图像内的一个或多个区，所述模型被训练以在前列腺组织图像中在逐块的基础上识别格里森模式；确定所述图像内的所述格里森模式的相对面积比例；基于确定的相对面积比例将风险评分或风险组值中的至少一个分配到所述图像；以及输出所述风险评分或所述风险组值中的至少一个。所述风险评分或所述风险组值中的至少一个。所述风险评分或所述风险组值中的至少一个。

【技术实现步骤摘要】
【国外来华专利技术】对前列腺癌预后的人工智能预测
[0001]相关申请交叉引用
[0002]本申请要求2020年11月6日提交的名称为
″
对前列腺癌预后的人工智能预测(Artificial Intelligence Prediction Of Prostate Cancer Outcomes)
″
的第63/110,786号美国临时专利申请的优先权，所述美国临时专利申请与2020年3月30日提交的名称为
″
用于针芯前列腺活检同步审查的基于人工智能的助手(Artificial Intelligence
‑
based assistant for concurrent review of needle core prostate biopsies)
″
的第63/001,664号美国临时申请相关，所述美国临时专利申请和所述美国临时申请中的每一个的全部内容以引用的方式并入本文中。


[0003]本申请大体上涉及用于肿瘤分析的人工智能系统和方法，并且更具体地涉及对前列腺癌预后的人工智能预测。

技术介绍

[0004]在其一生中，每9名男性中就有1人患有前列腺癌，但根据癌症级别等因素，疾病的侵袭性和预后在个体之间可能存在很大差异。前列腺癌的格里森分级涉及为患者肿瘤的每个区分配不同的组织学模式，称为格里森模式。基于这些模式的普遍性，分配了五个格里森级别组(GG)，即GG1、GG2、GG3、GG4或GG5中的一个。患者的预后随着格里森级别组级别的增加而恶化。由此产生的GG在前列腺癌患者最具预后性因素之中，并且用于患者风险分层，并且使患者与最适合其疾病进展风险的治疗方案匹配。
[0005]格里森系统在前列腺癌症的临床管理中用于不同的阶段。首先，对于接受诊断性活检的患者，如果识别出肿瘤，则GG会影响主动监测与例如前列腺手术切除或放射疗法等确定性治疗选择之间的决策。对于随后接受前列腺手术切除术(根除性前列腺切除术)的患者，GG是关于例如放射疗法或激素疗法之类的额外治疗的决策的一个关键组成部分。在大型临床试验中，在前列腺切除术后使用辅助疗法已展现益处，例如改善了一些患者的无进展生存期，但也可能导致不良副作用。鉴于这些辅助疗法的潜在益处与毒性之间的权衡，识别最有可能从辅助疗法中获益的患者仍然是前列腺癌护理中的重要研究领域。

技术实现思路

[0006]描述了用于对前列腺癌预后的人工智能预测的各种示例。一个示例方法包含：接收前列腺组织的图像；使用人工智能格里森分级模型将格里森模式值分配到所述图像内的一个或多个区，所述模型被训练以在前列腺组织图像中在逐块的基础上识别格里森模式；确定所述图像内的所述格里森模式的相对面积比例；基于确定的相对面积比例将风险评分或风险组值中的至少一个分配到所述图像；以及输出所述风险评分或所述风险组值中的至少一个。
[0007]用于评估前列腺癌患者的预后的一个示例系统包含：非暂时性计算机可读介质；
以及一个或多个处理器，其以通信方式耦合到所述非暂时性计算机可读介质，所述一个或多个处理器被配置成执行存储在所述非暂时性计算机可读介质中的处理器可执行指令以：接收前列腺组织的图像；使用人工智能格里森分级模型将格里森模式值分配到所述图像内的一个或多个区，所述模型被训练以在前列腺组织图像中在逐块的基础上识别格里森模式；确定所述图像内的所述格里森模式的相对面积比例；基于确定的相对面积比例将风险评分或风险组值中的至少一个分配到所述图像；并且输出所述风险评分或所述风险组值中的至少一个。
[0008]一个包括处理器可执行指令的示例非暂时性计算机可读介质，所述处理器可执行指令被配置成使一个或多个：接收前列腺组织的图像；使用人工智能格里森分级模型将格里森模式值分配到所述图像内的一个或多个区，所述模型被训练以在前列腺组织图像中在逐块的基础上识别格里森模式；确定所述图像内的所述格里森模式的相对面积比例；基于确定的相对面积比例将风险评分或风险组值中的至少一个分配到所述图像；并且输出所述风险评分或所述风险组值中的至少一个。
[0009]提及这些说明性示例并不是为了限制或限定本公开的范围，而是提供示例以帮助其理解。在提供进一步描述的具体实施方式中讨论说明性示例。通过检查本说明书可以进一步理解由各种示例提供的优点。
附图说明
[0010]并入本说明书中并构成本说明书的一部分的附图示出了一个或多个特定示例，并且连同示例的描述一起用于解释某些示例的原理和实施。
[0011]图1是示出呈AI格里森分级模型形式的深度学习系统的发展的图示，所述深度学习系统在逐块图像的基础上针对数字前列腺样本图像产生格里森模式预测。
[0012]图2是示出我们用于产生我们的新AI风险评分范例的方法，包含连续风险评分和离散风险组，来自(1)样本集合(其包含每个样本的图像数据和生存数据)，(2)图1的格里森分级模型，以及(3)使用来自所述集合的生存数据和格里森模式块预测的Cox比例风险回归模型。
[0013]图3是示出产生前列腺癌组织样本图像的风险组值或风险评分的方法的流程图。此风险组值或评分可以作为独立预测、作为二次读取(second read)(例如，作为由病理学家分配的总体格里森级别的辅助)或作为风险组评分与病理学家的总体格里森级别分配相结合的组合方式来实现。
[0014]图4是AI风险组评分(在此示例中为
″4″
)如何在例如初级保健医生、肿瘤学家、病理学家之类的临床医生使用的工作站上呈现的一个可能示例的图示。
[0015]图5A
‑
5C是针对被分配用于验证集的成员的风险组生存概率随时间而变化的卡普兰
‑
迈耶(Kaplan
‑
Meier)曲线。
[0016]图6A
‑
6E是卡普兰
‑
迈耶图，其示出了在每个病理学家确定的格里森级别中按风险组1
‑
2与3
‑
5对患者进行的二次分层。
[0017]图7A
‑
7E是不同病理学家确定的格里森级别的格里森模式4和5的百分比图，并且示出了此类百分比的风险组定义。
[0018]图8是图1和2的深度学习系统的一个可能实施例的图示，其在逐块的基础上分配
格里森模式并且分配前列腺组织图像的总体格里森级别。
[0019]图9示出了用于前列腺癌预后的AI预测的示例系统。
[0020]图10示出了用于前列腺癌预后的AI预测的示例方法。
[0021]图11示出了适合与用于前列腺癌预后的AI预测的示例系统和方法一起使用的示例计算装置。
具体实施方式
[0022]本文在前列腺癌预后的人工智能预测的上下文中描述示例。本领域的普通技术人员将认识到，以下描述仅是说明性的，并且不旨在以任何方式进行限制。现在将详细参考如附图中所说明的示例的实施方案。整个附图和以下描述中将使用相同的参考指示，以指本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种评估前列腺癌患者的预后的计算机实施的方法，其包括以下步骤：接收前列腺组织的图像；使用人工智能格里森分级模型将格里森模式值分配到所述图像内的一个或多个区，所述模型被训练以在前列腺组织图像中在逐块的基础上识别格里森模式；确定所述图像内的所述格里森模式的相对面积比例；基于确定的相对面积比例将风险评分或风险组值中的至少一个分配到所述图像；以及输出所述风险评分或所述风险组值中的至少一个。2.根据权利要求1所述的方法，其中所述分配包括使用Cox比例风险回归模型，所述Cox比例风险回归模型拟合到由所述人工智能格里森分级模型分配到数据集中的多个图像的一组格里森模式或其比例和与所述数据集相关联的相关联生存数据。3.根据权利要求1所述的方法，其中所述前列腺组织的所述图像包括从前列腺切除术或针芯活检获得的样本的图像。4.根据权利要求1所述的方法，其还包括在工作站的显示器上呈现所述风险评分或所述风险组值中的至少一个。5.根据权利要求4所述的方法，其还包括从所述工作站接收所述图像的格里森级别。6.根据权利要求5所述的方法，其还包括将所述风险组值与人源性格里森级别组合。7.根据权利要求6所述的方法，其中将所述风险组值与人源性格里森级别组合包括确定所述风险组值和所述人源性格里森级别的平均值。8.根据权利要求1所述的方法，其中所述风险组值包括从1到5的整数，包括端值，并且其中所述风险组值中的每一个的生存概率分别大致对应于格里森级别为包括端值在内的整数1
‑
5的前列腺癌患者的生存概率。9.根据权利要求1所述的方法，其还包括使用被训练以区分前列腺组织与非前列腺组织的模型，其中接收所述图像包括仅从所述模型接收所述图像的前列腺组织区。10.一种用于评估前列腺癌患者的预后的系统，其包括：非暂时性计算机可读介质；以及一个或多个处理器，其以通信方式耦合到所述非暂时性计算机可读介质，所述一个或多个处理器被配置成执行存储在所述非暂时性计算机可读介质中的处理器可执行指令以：接收前列腺组织的图像；使用人工智能格里森分级模型将格里森模式值分配到所述图像内的一个或多个区，所述模型被训练以在前列腺组织图像中在逐块的基础上识别格里森模式；确定所述图像内的所述格里森模式的相对面积比例；基于确定的相对面积比例将风险评分或风险组值中的至少一个分配到所述图像；以及输出所述风险评分或所述风险组值中的至少一个。11.根据权利要求10所述的系统，其中所述一个或多个处理器被配置成执行存储在所述非暂时性计算机可读介质中的另外的处理器可执行指令以使用Cox比例风险回归模型，所述Cox比例风险...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：威里利生命科学有限责任公司，
类型：发明
国别省市：