预测结直肠癌分期和制造技术

本发明专利技术公开一种预测结直肠癌分期和

【技术实现步骤摘要】
预测结直肠癌分期和RAS基因突变状态的深度学习系统构建


[0001]本专利技术属于医疗与机器学习相结合
，将人工智能技术应用于结直肠癌的术前预测，具体是构建一种基于增强
CT
的结直肠癌分期和
RAS
基因突变状态的深度学习系统，用于术前预测结直肠癌患者的分期和
RAS
基因突变状态
。

技术介绍

[0002]结直肠癌是最常见的胃肠道恶性肿瘤，也是肿瘤相关死亡的第二大原因
。
目前，治疗策略的进步在提高生存率方面发挥了至关重要的作用
。
然而，进展期结直肠癌患者的总体生存率仍然很低
。TNM
分期对结直肠癌患者的治疗方案选择至关重要
。
医学影像学检查是术前评估患者分期的常用方法，但是医学影像学检查在评估
TNM
分期方面的准确性较低
。
[0003]通过对携带特定突变基因的患者进行精确识别和分层，能改善患者的预后
。
根据
NCCN
指南，
RAS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种预测结直肠癌分期和
RAS
基因突变状态的深度学习系统的构建方法，其特征是包括以下步骤：步骤
1)
：收集结直肠癌患者在术前增强
CT
检查获得的若干张明确是
II
期的图像
N
II
、
明确是
III
期的图像
N
III
、
明确有基因突变的图像
N
Y
以及明确没有基因突变的图像
N
W
；收集结直肠增强
CT
检查后未知结果的若干张图像
N0；步骤
2)
：以图像
N
II
,N
III
数据为输入，对应的分期结果数据作为输出，基于
YOLOv7
构建检测模型；将图像
N
II
,N
III
数据与
II,III
期的分期结果数据共同组成源域数据，图像
N0数据作为目标域数据构建第一迁移模型；将所述的检测模型和所述的第一迁移模型构成分期模型，所述的检测模型输出的结果数据与所述的第一迁移模型
Q1输出的结果数据的均值作为所述的分期模型的输出；以图像
N
Y
,N
W
数据为输入，对应的基因突变状态数据为输出，基于卷积神经网络构建分类模型；将图像
N
Y
,N
W
数据以及对应的基因突变状态数据共同组成源域数据，所述的图像
N0数据作为目标域数据构建第二迁移模型；将所述的分类模型和所述的第二迁移模型构成基因突变状态模型，所述的分类模型输出的结果数据与第二迁移模型输出的结果数据的均值作为所述的基因突变状态模型的输出；步骤
3)
：所述的基因突变状态模型与所述的分期模型共同构成深度学习系统，深度学习系统输出的是基因突变状态和分期结果
。2.
根据权利要求1所述的深度学习系统的构建方法，其特征是：根据步骤
3)
中所述的基因突变状态和分期结果，再采用权重法得到综合评估值
。3.
根据权利要求1所述的深度学习系统的构建方法，其特征是：对步骤
1)
中的图像作预处理以及归一化处理，得到归一化后的图像，将每类归一化后的图像都分别按7：2：1的比例分为训练队列
、
测试队列和验证队列，训练队列训练模型，测试队列调优模型，验证队列验证模型的性能
。4.

【专利技术属性】
技术研发人员：鲁娜，管啸，张建平，
申请(专利权)人：南京医科大学第二附属医院，
类型：发明
国别省市：