一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法技术

本发明专利技术提供一种乳腺癌患者腋窝淋巴结转移预测模型，包括对二维的肺部增强CT片进行三维重建后，建立腋窝淋巴结图谱，选取其中所有的腋窝淋巴结为ROI区域，且选取每个腋窝淋巴结的全部影像组学特征中的5个以上影像组学特征联用进行区分所述乳腺癌是否有腋窝淋巴结转移；且使用随机森林机器学习预测模型构建所述预测模型。本发明专利技术建立的模型可以无创地预测乳腺癌患者的腋窝淋巴结受累情况，该模型中未纳入患者的临床病理特征，且该模型中的图像切割并不基于乳腺肿瘤，而是基于腋窝淋巴结；本发明专利技术所述模型用于确定合适的腋窝治疗方案，从而避免不必要的腋窝手术和并发症，有助于乳腺癌更精准的手术和辅助治疗模式的开展。癌更精准的手术和辅助治疗模式的开展。癌更精准的手术和辅助治疗模式的开展。

【技术实现步骤摘要】
一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法


[0001]本专利技术涉及乳腺癌预测模型领域，具体涉及一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法。

技术介绍

[0002]乳腺癌腋窝淋巴结转移是乳腺癌独立的预后因子，同时决定着患者的治疗方式，临床腋窝淋巴结评估是乳腺癌诊断和治疗的重要组成部分。
[0003]目前腋窝淋巴结的临床评估主要依靠临床触诊、B超、CT等二维影像学检查方法，敏感性和特异性较低，诊断效能低下，且淋巴结不同于其他病灶，定位困难，检出率低，前哨淋巴结活检术虽然评估腋窝淋巴结准确，但属于有创操作，会增加上肢水肿、手术部位疼痛和伤口感染等一系列并发症的风险，当前临床上所采用的无创评估方法都不尽如意。
[0004]影像组学的出现给医学诊治带来便利，当前关于乳腺癌的影像组学研究越来越多，但是当前的研究都是基于乳腺病灶去预测腋窝淋巴结转移，由于影像淋巴结定位难和检出率低，当前还没有研究基于淋巴结本身去预测腋窝淋巴结转移。
[0005]例如，中国专利申请CN202010957962提供一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法，该专利技术利用人工智能机器学习算法，基于乳腺癌患者的磁共振影像数据及临床特征数据基础，建立乳腺癌患者腋窝淋巴结转移的人工智能预测模型；所述预测模型具有精准、简便、无创等优点，能够有效对乳腺癌患者术前腋窝淋巴结转移进行有效评价，有助于辅助乳腺癌临床诊疗决策，减少患者不必要的腋窝淋巴结清扫手术，减少手术并发症的发生，提高患者的生活质量，有更高预测效能和临床收益，对指导临床治疗策略、加强临床治疗干预及后续的个体化随访具有重要的指导意义。但因该专利申请使用的是磁共振图像(MRI)数据，且该专利的模型中纳入了临床病理特征，以及该专利的图像切割基于乳腺肿瘤，因而该模型和方法具有诸多缺陷；例如其中的MRI检测范围有限，不能检测到所有腋窝淋巴结。
[0006]中国专利申请CN202110463515公开了一种基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其通过提取乳腺癌原发灶的MAMMIPET影像组学特征，并融合原发灶免疫组化病理及相关临床因素，构建预测乳腺癌淋巴结转移风险的模型，实现对乳腺癌患者治疗前淋巴结分期的精准无创预测，补充了常规影像技术特异性低的弊端，同时为医生对乳腺癌患者精准临床分期以及治疗方案提供更加具体的参考依据，提高治疗的成功率。但因该专利申请使用的是PET图像数据，以及该专利的图像切割同样基于乳腺肿瘤，因而该方法同样具有诸多缺陷。
[0007]中国专利申请CN202110271312提供一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置，其公开了一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置，方法包括：获取病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像；将B型超声图像和剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到病人的乳腺癌腋窝淋巴结转移状态检测结果。该申请解决了现有技术通过机器学习方法进行乳腺
癌腋窝淋巴结转移状态的检测，由于数据样本较少，导致机器学习模型的预测性能不佳的技术问题。但该专利申请使用的是超声图像数据，而超声图像的判读依赖于放射科医生的主观评价，这导致了不同观察者之间存在差异。因而该检测方法及相关装置同样存在明显的弊端。
[0008]中国专利申请CN202110712181提供一种基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法，包括：采集患者的磁共振图像数据和临床特征数据；基于磁共振图像数据提取影像特征；采用随机森林算法对影像特征进行筛选得到若干个关键影像特征，基于该关键影像特征利用支持向量机算法建立影像特征预测模型；通过对临床特征数据进行单因素分析筛选得到关键临床特征，采用支持向量机算法根据关键临床特征建立临床特征预测模型；采用支持向量机算法根据关键影像特征和关键临床特征建立淋巴结转移综合预测模型。其实施例采用随机森林算法和支持向量机算法建立模型，能够基于结构风险化最小原则建立预测模型，且能够避免过学习的问题，使得构建得到的预测模型更稳定以及准确。但该专利申请使用的是磁共振图像数据，且该专利的图像切割同样基于乳腺肿瘤。因此，该模型和方法依然有多个缺陷。
[0009]中国专利申请CN201810557069提供一种基于LASSO回归的乳腺癌腋窝淋巴结转移状态的判别方法，该方法包括：步骤1、对采集到的病人的乳腺癌X射线图像进行分割，确定肿瘤所在处的多个病灶部位图像；步骤2、将所述多个病灶部位图像分为训练集和测试集，并对所有的病灶部位图像提取高维特征，构建乳腺病灶图像特征数据库；步骤3、根据训练集里的乳腺病灶图像特征数据和病人的病理信息，采用LASSO回归算法，构建乳腺癌腋窝淋巴结转移识别模型；步骤4、根据所述乳腺癌腋窝淋巴结转移识别模型，对测试集里的病灶部位图像进行识别，确定病人的乳腺癌腋窝淋巴结转移状态。该专利技术能够进一步挖掘图像中对识别有意义的数据，提升基于X射线图像的自动识别水平。但该专利申请使用的是X射线图像数据，且图像切割基于乳腺肿瘤，数字乳腺X线摄影对于腋窝淋巴结的可视化是有限的，通常只有50％的患者在常规行乳腺X线检查中可以看到腋窝I级淋巴结，深I级或II级淋巴结一般很难看到。因此，该乳腺癌腋窝淋巴结转移状态的判别方法的准确度大幅受限。
[0010]因此，本领域仍然需要一种新的乳腺癌患者腋窝淋巴结转移预测模型及其构建方法。

技术实现思路

[0011]因此，本专利技术提供一种乳腺癌患者腋窝淋巴结转移预测模型，所述模型用于实现无创预测乳腺癌是否有腋窝淋巴结转移，所述模型包括对二维的肺部增强CT片进行三维重建后，建立腋窝淋巴结图谱，选取其中所有的腋窝淋巴结为ROI区域，且选取每个腋窝淋巴结的全部影像组学特征中的5个以上影像组学特征联用进行区分所述乳腺癌是否有腋窝淋巴结转移；且使用随机森林机器学习预测模型构建所述乳腺癌患者腋窝淋巴结转移预测模型。
[0012]本专利技术中，每个腋窝淋巴结都有107个影像组学特征。
[0013]本专利技术采用三维重建技术，对于二维CT影像上微小的腋窝淋巴结病灶进行识别重建，并进行空间定位，提取腋窝淋巴结的影像组学特征，建立机器学习模型，预测乳腺癌患者腋窝淋巴结的转移状态。
[0014]在一种具体的实施方式中，所述模型中使用腋窝淋巴结的如下22个影像组学特征中的9个以上影像组学特征联用；所述22个影像组学特征包括：伸长率、平整度、最小轴长度、最大2D直径、球形度、特征值的百分之十的值、四分位距离、峰度、均值、最小特征值、灰度值范围、均方根误差、偏度、集群显著性、集群阴影、相关性、差分熵、相关性信息度量2、联合能量、测量具有较高灰度值的大相关性的联合分布、灰度非均匀归一化、强度；且在预测模型中使用相关性这个影像组学特征。
[0015]在一种具体的实施方式中，所述22个影像组学特征全部联用。
[0016]本专利技术中，对这22个影像组学特征中的9个以上影像组学特征联用，则辨别是否有腋窝淋巴结转移时已经比较准确，而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种乳腺癌患者腋窝淋巴结转移预测模型，所述模型用于实现无创预测乳腺癌是否有腋窝淋巴结转移，所述模型包括对二维的肺部增强CT片进行三维重建后，建立腋窝淋巴结图谱，选取其中所有的腋窝淋巴结为ROI区域，且选取每个腋窝淋巴结的全部影像组学特征中的5个以上影像组学特征联用进行区分所述乳腺癌是否有腋窝淋巴结转移；且使用随机森林机器学习预测模型构建所述乳腺癌患者腋窝淋巴结转移预测模型。2.根据权利要求1所述的模型，其特征在于，所述模型中使用腋窝淋巴结的如下22个影像组学特征中的9个以上影像组学特征联用；所述22个影像组学特征包括：伸长率、平整度、最小轴长度、最大2D直径、球形度、特征值的百分之十的值、四分位距离、峰度、均值、最小特征值、灰度值范围、均方根误差、偏度、集群显著性、集群阴影、相关性、差分熵、相关性信息度量2、联合能量、测量具有较高灰度值的大相关性的联合分布、灰度非均匀归一化、强度；且在预测模型中使用相关性这个影像组学特征。3.根据权利要求2所述的模型，其特征在于，所述22个影像组学特征全部联用。4.根据权利要求1所述的模型，其特征在于，所述三维重建使用Vitaworks软件。5.根据权利要求1所述的模型，其特征在于，所述模型的特征全部基于影像组学特征，而不包...

【专利技术属性】
技术研发人员：易文君，梅习龙，瞿莉梦，
申请(专利权)人：中南大学湘雅二医院，
类型：发明
国别省市：