基于深度学习的大肠癌个体化治疗和预后信息预测系统技术方案

本发明专利技术提供了一种基于深度学习的大肠癌个体化治疗和预后信息预测系统，系统包含：迁移模型构建模块、图像特征提取模块和信息分析识别模块。本发明专利技术对常规病理切片上包含肿瘤浸润淋巴细胞、纤维化及粘液等多种预后相关组织类型进行精细分割和识别，将抽象的图像信息转化为可精确分析的数字化信息，探索与肠癌预后的相关性，构建复发风险预测模型，改善现有预后相关病理形态指标在诊断医师间重复性差、临床可行性低的现状，为患者后续的个体化治疗决策提供参考；利用全外显子测序技术对复发风险预测模型区分的不同亚型进行基因谱分析，探索肿瘤发生的分子事件与组织形态间以及生物学行为间的相关性；为复发风险预测模型的建立奠定了基础。定了基础。定了基础。

【技术实现步骤摘要】
基于深度学习的大肠癌个体化治疗和预后信息预测系统


[0001]本专利技术涉及深度学习、人工智能及信息处理
，特别涉及一种基于深度学习的大肠癌个体化治疗和预后信息预测系统。

技术介绍

[0002]大肠癌是全球发病率第三的恶性肿瘤，在我国更是高居恶性肿瘤死亡率的第五位；据估计，肠癌活检及术后组织标本占各医院病理外检量的15％
‑
20％，在病理医生缺口数量达9万人的中国，肠癌的诊断无疑占用了大量的病理诊断资源；更重要的是，由于病理人才分布的不均衡，病理诊断的准确性在地区间差异显著，极大影响患者的治疗及预后，肠癌的常规病理诊断不但占用大量病理资源，其精准性亦严重制约患者个体化治疗的选择。伴有淋巴结转移的T1期患者复发率较高，而相比局部切除，根治性切除可降低复发率，II期肠癌患者尽管普遍预后较好，仍有15％左右的患者经过辅助化疗后复发。目前基于分子标志物的研究包含DNA突变、甲基化及MicroRNA，蛋白表达和代谢等诸多方面，但往往因重复性差，或成本较高，目前没有任何一个指标能够应用于临床。相反，近年来基于组织病理形态学的研究取得显著进展。除早期发现的脉管瘤栓、肿瘤出芽(Tumor budding，TB)等预后相关病理特征，肿瘤浸润淋巴细胞(Tumor infiltration lymphocyte，TIL)以及肿瘤间质比在乳腺癌、大肠癌等多种肿瘤中被证实与预后显著相关；但由于上述指标计数费时且医师间重复性差，限制了临床应用。伴随着人工智能相关技术的不断完善和发展，利用人工智能辅助病理诊断并进行预后预测成为解决当前困境的重要契机；
[0003]基于卷积神经网络的深度学习人工智能技术可将大面积的病理数字图片分解成细小的分区，自动提取图像特征，将抽象的图像信息转化为具象的数字信息并进行分析和识别，有效解决医师间重复性差的问题，使传统病理诊断更加适应精准化医学的发展。目前，由谷歌及Verily公司研发的人工智能在乳腺癌病理诊断中肿瘤定位准确率可达资深专家水平；用传统机器学习的方法，发现数字病理图片能预测早期非小细胞肺癌的预后，使得算法更为优化的深度学习网络在肿瘤预后方面的应用更加可期。
[0004]现有技术一，申请号：CN202080057794.9，一种大肠癌诊断用标志物、辅助大肠癌的诊断的方法、收集数据以用于大肠癌诊断的方法、大肠癌的诊断试剂盒、大肠癌治疗药物、大肠癌的治疗方法、大肠癌的诊断方法；能够高精度地判别有无罹患大肠癌且高灵敏度地检测早期的大肠癌的大肠癌诊断用标志物；测定大肠癌诊断用标志物的表达量的辅助大肠癌的诊断的方法、收集数据以用于大肠癌诊断的方法、大肠癌的诊断方法、大肠癌的治疗方法；具备与大肠癌诊断用标志物特异性的引物的大肠癌的诊断试剂盒；包含大肠癌诊断用标志物的抑制剂的大肠癌治疗药物。大肠癌诊断用标志物是选自由hsa
‑
miR
‑
129
‑1‑
3p、hsa
‑
miR
‑
566及hsa
‑
miR
‑
598
‑
5p构成的组中的至少一种微小RNA；虽然提供了可以高精度地判别有无罹患大肠癌、且高灵敏度地检测早期的大肠癌的大肠癌诊断用标志物，但是智能水平较低，需要过多的认为参与及判断，降低了诊断的效率和质量。
[0005]现有技术二，申请号：CN202011172347.6，基于图像识别的大肠癌自助筛查系统、
方法、终端及介质，提供信息填写电子模板，供筛查对象在线填写知情同意书、危险度评估问卷、个人信息及相关症状和疾病史；根据个人信息中的居住地址信息，为筛查对象对应分配供其领取带有ID编号的便隐血检测装置的筛查服务机构，并将便隐血检测装置的ID编号与对应筛查对象的个人信息进行关联；读取并识别便隐血检测装置的检测结果图像，以得到关联于该便隐血检测装置的筛查对象的大肠癌筛查结果。虽然筛查对象可自助完成知情同意书签署、危险度评估问卷填写、筛查服务机构分配、便隐血检测装置预约领取、便隐血结果在线判读、初筛结果反馈、诊断性肠镜检查通知等，大大提升了筛查准确率和便捷性；但是缺乏对大肠癌信息的分析及判断，不能实现大肠癌复发风险的预测，导致其信息数据的处理能力较差。
[0006]现有技术三，申请号：CN201110069462.5，一种大肠癌预后预测模型的建立方法，通过免疫组化法检测SPARCL1、P53蛋白在大肠癌组织中的表达水平；半定量法将SPARCL1、P53蛋白的组织表达水平分级；SPARCL1、P53蛋白表达水平经支持向量机组合分析并验证，最后建立判别模型。虽然结合免疫组化检测、标志物组合及支持向量机分析，联合应用于建立大肠癌预测模型，以SPARCL1与P53组合作为标志物构建模型具有实验辅助预测大肠癌患者预后的作用，可在大肠癌病人术后转移复发危险度预测实验中的应用；但是其智能化水平较低，缺乏相关的预测模型，导致其对大肠癌相关的数据进行分析及处理。
[0007]目前现有技术一、现有技术二及现有技术三存在大肠癌预测复发的智能化水平较低，缺乏相关的预测模型，不能对大肠癌的数据进行分析并处理的问题，因而，本专利技术提供一种基于深度学习的大肠癌个体化治疗和预后信息预测系统，将常规病理切片的图像信息转化为可分析的数字化信息，构建复发风险预测模型，改善现有预后相关病理形态指标在诊断医师间重复性差及临床可行性低的现状，为患者后续的个体化治疗决策提供参考。

技术实现思路

[0008]为了解决上述技术问题，本专利技术提供了一种基于深度学习的大肠癌个体化治疗和预后信息预测系统，包含：
[0009]迁移模型构建模块，负责获取源图像集和样本目标图像集，输送至基于特征提取网络的迁移模型，通过源图像与样本目标图像对迁移模型进行训练，得到训练后的目标图像；
[0010]图像特征提取模块，负责基于卷积神经网络的深度学习人工智能将训练后的目标图像进行分解，提取目标图像的特征，得到抽象的图像信息；
[0011]信息分析识别模块，负责将抽象的图像信息转化为具象的数字信息，输入至复发风险预测模型进行分析和识别。
[0012]可选的，源图像集为肠癌切片的图像，样本目标数据集为肿瘤浸润淋巴细胞、纤维化及粘液等多种肠癌常规切片相关组织类型的图像。
[0013]可选的，特征提取网络包含第一提取网络和第二提取网络；第一提取网络用于对源图像进行特征提取，第二提取网络用于对样本目标图像进行特征提取。
[0014]可选的，抽象的图像信息指的是医生诊断用的医学图像的影像片的各个图像的集合；具象的数字信息指的是包含医学图像的影像片的数字化表示，包含部位的名称，异常组织的名称、大小及状态。
[0015]可选的，迁移模型构建模块，包含：
[0016]张量获取子模块，负责将源图像集和样本目标图像集输入待训练的迁移模型，通过特征提取网络对源图像集和样本目标图像集进行特征提取，得到源功能张量和源结构张量；通过特征提取网络对源图像集和样本目标图像集进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，包含：迁移模型构建模块，负责获取源图像集和样本目标图像集，输送至基于特征提取网络的迁移模型，通过源图像与样本目标图像对迁移模型进行训练，得到训练后的目标图像；图像特征提取模块，负责基于卷积神经网络的深度学习人工智能将训练后的目标图像进行分解，提取目标图像的特征，得到抽象的图像信息；信息分析识别模块，负责将抽象的图像信息转化为具象的数字信息，输入至复发风险预测模型进行分析和识别。2.如权利要求1所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，源图像集为肠癌切片的图像，样本目标数据集为肿瘤浸润淋巴细胞、纤维化及粘液多种肠癌常规切片相关组织类型的图像。3.如权利要求1所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，特征提取网络包含第一提取网络和第二提取网络；第一提取网络用于对源图像进行特征提取，第二提取网络用于对样本目标图像进行特征提取。4.如权利要求1所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，抽象的图像信息指的是医生诊断用的医学图像的影像片的各个图像的集合；具象的数字信息指的是包含医学图像的影像片的数字化表示，包含部位的名称，异常组织的名称、大小及状态。5.如权利要求1所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，迁移模型构建模块，包含：张量获取子模块，负责将源图像集和样本目标图像集输入待训练的迁移模型，通过特征提取网络对源图像集和样本目标图像集进行特征提取，得到源功能张量和源结构张量；通过特征提取网络对源图像集和样本目标图像集进行特征提取，得到目标功能张量和目标结构张量；损失计算子模块，负责根据源功能张量、源结构张量、目标功能张量和目标结构张量计算待训练的迁移模型的当前损失；目标图像子模块，负责根据当前损失对待训练的迁移模型的参数进行调整，直至当前损失小于预设阈值，得到训练好的迁移模型，将样本目标图像集输入至迁移模型，得到训练后的目标图像，即为抽象的图像信息。6.如权利要求5所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，源功能张量和目标功能张量定义为反映患者体内的功能代谢的图像，包含早期发现、动态成像与实时观察、术后及时评估；源结构张量和源结构张量定义为反映患者器官的解剖结构。7.如权利要求1所述的基于深度学习的大肠...

【专利技术属性】
技术研发人员：王书浩，田艳杰，
申请(专利权)人：北京透彻未来科技有限公司，
类型：发明
国别省市：