本发明专利技术针对目前低级别胶质瘤较难选择治疗时机与方式的问题,提供了一种结合生物学依据的人工神经网络模型,可以利用多模态组学特征值预测低级别胶质瘤不同治疗方法的预后情况,以此系统进行辅助治疗决策
【技术实现步骤摘要】
基于机器学习的多模态组低级别胶质瘤辅助治疗决策系统
[0001]本专利技术涉及一种低级别胶质瘤辅助治疗决策系统,特别涉及一种基于生物启发式机器学习算法结合多种维度
、
高通量数据的低级别胶质瘤治疗预后预测系统
。
技术介绍
[0002]低级别胶质瘤(
Low
‑
grade glioma
,
LGG
) 是一种较常见的
WHO I
‑
II
级颅内原发神经上皮性肿瘤,主要包括弥漫性星形细胞瘤
、
少突胶质细胞瘤
、
少突星形细胞瘤等
。
低级别胶质瘤发病率较高,通常处于非活动状态,但经规范治疗后仍有复发和恶变,生存预后较差,部分最终会演变成致命性的高级别胶质瘤
。
低级别胶质瘤病因尚未确定,但研究表明电离辐射暴露
、
脑肿瘤家族史和部分基因突变(如
IDH1/2、p53、PDGFRA、G
‑
CIMP
等肿瘤抑制基因和癌基因的遗传改变)起到部分作用,随着人群生活方式的改变在未来几年内低级别胶质瘤的发病率可能仍呈上升趋势
。
与高级别胶质瘤相比,低级别脑胶质瘤术后使用辅助治疗的时机目前尚未有明确的规定,且由于此类肿瘤具有漫长的无症状自然史,对于病灶局限
、
症状少的病人而言,是否给予积极治疗以及术后放疗和化疗的时机等成为了关注焦点
。
[0003]低级别胶质瘤患者的生存预后受到分子表型和治疗方式的影响,近年来研究人员不断探索和研究胶质瘤的潜在机制,寻找潜在的治疗靶点,探索获益情况良好的治疗方式,并将其应用于临床理论和实践
。NCCN
指南表明对于低级别胶质瘤通常以年龄(
40
岁为界限)与完整切除情况分为低风险或高风险组,高风险组推荐纳入临床研究或给予外放疗
、
联合
PCV
或
TMZ
化疗或观察等治疗
。
低风险组建议观察但往往存在复发情况,复发后在重取病理组织诊断后对于之前未进行放疗的患者,推荐给予序贯
/
同步放化疗及辅助化疗或系统治疗
。
[0004]尽管低级别胶质瘤的诊疗策略已经确立,但由于主观性可能会误导临床决策,需要有更好的方法来分析辅助决策
。
近年来人工智能技术快速发展,展现出优化复杂数据的巨大前景以及提高预测精度的强大功能,在不同领域中发挥出重要作用,尤其在病理学中主要应用于组织形态和分子特征,对肿瘤的诊断
、
通过预测治疗分析,在早期对疾病的认识方面给予了很大的技术支持
。
并且随着数据分析的进步,精准医学领域每天产生的数据量和复杂性都在迅速增加,机器学习这类先进的数据分析方法在对经验依赖性小的数据拟合能力上表现出极大的优势,已经成为揭示机制或推导关联的不可或缺的工具,并在辅助制定肿瘤的治疗策略方面具有潜力
。
但目前国内外大多数研究仅聚焦于单一组学数据集,尚未有多模态组学应用于辅助制定低级别胶质瘤治疗方案的研究报道
。
[0005]针对部分中枢神经系统肿瘤的诊断
、
分级
、
预后预测技术已有相关研究
。
在术中诊断方面,
Shen
等人的研究开发了深层
FL
‑
CNN
的
NIR
‑
II
荧光图像,实时快速精确地诊断胶质瘤,在捕获重要信息方面与手术期间的评估相比表现出更好的性能,灵敏度相较于神经外科医生的判断提高
11.8%
,表明人工智能方法在神经外科手术领域应用的可行性,但面临着仅有
23
名患者数据测试很难保证模型实际预测效果的问题
。Li
等人开发了一种基于深度学习的自动化方法,使用整个
H&E
染色图像检测和量化胶质瘤中的微血管特征准确性达到
75.8%
,在一定程度上有助于抗血管生成靶向治疗的发展,然而由于未勾画的病理图像具有复杂内容,分割误差和过度计数使大面积的正常皮层或分离性血管产生偏差
。Liu
等人提出了细胞形态学亚型(
CMS
)框架,用于揭示
LGG
的
CMS
与特定分子变化
、
免疫微环境
、
预后结果关联,但参数与已知的临床
/
分子预后因素之间没有显著相关性,因而在临床应用价值上还有待商榷
。
总而言之,当前临床因素
、
影像学和病理学的分析仍不足以准确预测低级别胶质瘤不同治疗方式的预后差异,人工智能在低级别胶质瘤中的临床应用在一定程度上受到限制,相较于单一的影像组学
、
病理组学或分子生物学胶质瘤预测模型,研究通过对低级别胶质瘤多模态组学(组织病理学与分子病理学)的数据交叉和渗透,能够解决数据稀疏性和匮乏性的问题,实现对低级别胶质瘤患者放化疗治疗效果进行预测,深入研究模型相关分子机制增强解释性,构建出有利于临床医生帮助患者选择后续治疗的辅助系统,为患者提供更多可能的治疗方案,对在避免过度医疗的前提下提高低级别胶质瘤患者生存期具有重要意义
。
技术实现思路
[0006]本专利技术要解决的技术问题在于针对目前低级别胶质瘤较难选择治疗时机与方式的问题,提出一种采用生物启发式机器学习算法设计结合低级别胶质瘤患者易于获取的多种维度
、
高通量的组织病理图像特征和生物标志物数据,构建多模态组学预后预测模型,以解决目前模型单一组学不足以解释患者结局变化的问题,实现低级别胶质瘤患者通过不同治疗方式的生存获益情况较为准确的预测,并相较于现阶段的人工智能辅助诊断模型具有更好的准确性和解释性
。
[0007]为解决上述技术问题,本专利技术提供了一种基于人工神经网络算法的多模态组学特征融合的低级别胶质瘤辅助治疗决策系统
。
如图1所示,所述辅助治疗决策系统包括输入层
、
人工神经网络预测模型层和输出层
。
多模态组学标准化数据(1)由输入层(2)输入,经过人工神经网络预测模型层(3)处理,由输出层(4)输出生存期(5),并给出最优治疗方案(6),方案涵盖放疗和化疗的治疗方式
。
[0008]所述多模态组学标准化数据(1)包括病理组学数据和转录组学数据,其中病理组学数据特征通过对图像自动化勾画分割组分,处理异常信息值,深度学习计算出病理组学特征值;转录组学数据由转录组学标志物表达量获取,经由
FFPE
切片转录组测序进行生信分析获得
RNA
表达量
。
[0009]所述人工神经网络预测层模型(3)以训练
‑...
【技术保护点】
【技术特征摘要】
1.
一种低级别胶质瘤辅助治疗决策系统,其特征在于:构建了一种人工神经网络模型,该模型使用优化算法
BFGS
,使用激活函数为
softmax
,多模态组学标准化数据经该模型预测后,输出低级别胶质瘤患者的生存期及最优治疗方案
。2.
如权利要求1所述的低级别胶质瘤辅助治疗决策系统,其特征在于:所述人工神经网络模型融合了组织病理学特征
、
转录组和临床多模态组学数据,通过变量互斥程序排除恒定或相似的组织病理学特征与生物标志物,通过方差分析过滤部分特征,从具有最小标准差的描述符中筛选特征值与标志物的最佳子集,按照
Permutation Importance
变量相关系数从大到小排序,排序筛选重要特征,重复随机打乱,功能富集分析比较放化疗预后良好组间差异
。3.
如权利要求2所述的低级别胶质瘤辅助治疗决策系统,其特征在于:所述重要变量数据按
7:2:1
分为训练集
、
验证集和测试集,使用机器学习库
Keras
实现模型构建,随机选择一组患者进行评估控制模型预后预测结果的再现性,进行多次交叉验证和随后的假设检验
。4.
如权利要求3所述的低级别胶质瘤辅助治疗决策系统,其特征在于:所述人工神经网络模型性能(统计显著性和解释能力)通过
AUC
值(
AUC>0.9
)
、
调整后的确定系数(
Radj2>0.7
)和十倍交叉验证确定系数(
q2>0.6
)进行评估,初步筛选出最优性能模型并在此基础上精简架构网络
。5.
如权利要求4所述的低...
【专利技术属性】
技术研发人员:徐佳芸,郭威,陈佳意,周新成,李征,
申请(专利权)人:宁波市临床病理诊断中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。