【技术实现步骤摘要】
本专利技术涉及肺结节诊断，具体涉及一种肺结节状态的预测方法、系统、电子设备及介质。
技术介绍
1、肺结节是肺部早期肺癌的主要征兆，对肺癌的诊断具有重要意义，因此，作为基于影像数据辅助疾病诊断的典型—基于胸部影像中结节情况诊断肺癌，在临床上应用极广。
2、在传统影像学方法中，ct(电子计算机断层扫描)对于肺结节的良恶性鉴别主要依靠其形态、与周围结构的空间关系等，是目前世界公认的早期肺癌筛查方式；典型肺癌结节的可表现为：分叶征、毛刺征、胸膜凹陷征、血管集束征等，增强扫描时强化明显。但是，当肺癌结节长径小于8mm时上述特征可表现不明显，且不同病理类型的肺癌结节形态和强化程度均有差异，因此，现有的基于影像判断肺结节情况的方法多是医生根据专业知识和经验人工去判断，这样的方法无疑会存在增加医生工作负担、审阅结果易受医生专业知识水平，经验是否丰富影响，因此，传统的肺结节诊断容易受到地区医疗水平以及医生个人经验水平的影像，导致诊断误差较大的问题。
3、近年来随着计算机及ai(人工智能)技术的飞速发展，一些新型的pet-ct(正电子发射计算机断层显像)显像参数，尤其是mtv(metabo1ic tumor volume，肿瘤代谢体积)和tlg(total 1esion glycolysis，糖酵解总量)越来越受到人们的关注，但是目前却没有将mtv、tlg用于鉴别诊断早期肺癌结节中，而在其他方法中，如气管镜检查，受限于肺结节的位置，经皮穿刺为有创检查，且当患者依从性较差时上述检查都很难进行。
技术
1、本专利技术要解决的技术问题是为了克服现有技术中上述缺陷，提供一种肺结节状态的预测方法、系统、电子设备及介质。
2、本专利技术是通过下述技术方案来解决上述技术问题：
3、本专利技术提供一种肺结节状态的预测方法，所述预测方法包括：
4、基于患者的当前pet-ct检查结果筛选得到待预测指标数据；其中，所述待预测指标数据包括患者的基础临床信息、影像信息和生化代谢指标信息中的至少一种；
5、基于所述待预测指标数据和已训练好的肺结节状态预测模型，获取所述患者的肺结节状态数据。
6、较佳地，训练所述肺结节状态预测模型的步骤包括：
7、基于所述患者的若干历史pet-ct检查结果筛选得到样本数据；
8、对所述样本数据进行标记处理以获取样本指标数据；其中，所述样本指标数据包括历史基础临床信息、历史影像信息和历史生化代谢指标信息中的至少一种；
9、基于病理报告结果和所述样本指标数据对预设分类模型进行训练，以获取肺结节预测模型；其中，所述病理报告结果为已确定肺结节良恶性的病理报告。
10、较佳地，所述对所述样本数据进行标记处理以获取样本指标数据包括：
11、对所述历史基础临床信息、所述历史影像信息和所述历史生化代谢指标信息按照预设标记规则进行标记处理以获取标记结果，将所述标记结果作为所述样本指标数据。
12、较佳地，所述预测方法还包括：
13、判断所述肺结节状态中的恶性概率是否大于等于预设阈值；
14、若是，则输出肺结节状态结果为恶性；
15、若否，则输出肺结节状态结果为良性。
16、较佳地，所述基础临床信息包括患者年龄和/或吸烟史，所述影像信息包括最大结节直径、刺征、分叶征、毛钙化征和磨玻璃样中的至少一种，所述生化代谢指标信息包括suvmax(maximum standardized uptake value，最大标准化摄取值)、suvmean(meanstandardized uptake value，平均标准化摄取值)、mtv(20％)(超过肿瘤内最大活性20％的体积)、mtv(40％)(超过肿瘤内最大活性40％的体积)、tlg(20％)(肿瘤代谢体积mtv20％与感兴区内suvmean的乘积)和tlg(40％)(肿瘤代谢体积mtv40％与感兴区内suvmean的乘积)的至少一种。
17、较佳地，所述肺结节状态预测模型的计算公式为：
18、
19、其中，x为肺结节良恶性的恶性概率，e是自然对数的底数，t＝a1+a2×年龄-a3×吸烟史+a4×结节最大直径-a5×毛刺征+a6×分叶征-a7×钙化征-a8×磨玻璃样-a9×suvmax+a10×suvmean+a11×mtv(20％)-a12×tlg(20％)a13×mtv(40％)+a14×tlg(40％)，a1～a14均为常数，年龄、吸烟史、最大结节直径、毛刺征、分叶征、钙化征、磨玻璃样、suvmax、suvmean、mtv(20％)、tlg(20％)、mtv(40％)和tlg(40％)的取值为所述标记结果中对应取值。
20、较佳地，所述预设分类模型包括逻辑回归模型或二分类模型。
21、本专利技术还提供一种肺结节状态的预测系统，所述预测系统包括：
22、筛选模块，用于基于患者的当前pet-ct检查结果筛选得到待预测指标数据；其中，所述待预测指标数据包括患者的基础临床信息、影像信息和生化代谢指标信息中的至少一种；
23、预测模块，用于基于所述待预测指标数据和已训练好的肺结节状态预测模型，获取所述患者的肺结节状态数据。
24、较佳地，所述预测系统还包括：
25、筛选模块，还用于基于所述患者的若干历史pet-ct检查结果筛选得到样本数据；
26、标记模块，用于对所述样本数据进行标记处理以获取样本指标数据；其中，所述样本指标数据包括历史基础临床信息、历史影像信息和历史生化代谢指标信息中的至少一种；
27、训练模块，用于基于病理报告结果和所述样本指标数据对预设分类模型进行训练，以获取肺结节预测模型；其中，所述病理报告结果为已确定肺结节良恶性的病理报告。
28、较佳地，所述标记模块还用于：
29、对所述历史基础临床信息、所述历史影像信息和所述历史生化代谢指标信息按照预设标记规则进行标记处理以获取标记结果，将所述标记结果作为所述样本指标数据。
30、较佳地，所述预测系统还包括：
31、判断模块，用于判断所述肺结节状态中的恶性概率是否大于等于预设阈值；
32、若是，则输出肺结节状态结果为恶性；
33、若否，则输出肺结节状态结果为良性。
34、较佳地，所述基础临床信息包括患者年龄和/或吸烟史，所述影像信息包括最大结节直径、刺征、分叶征、毛钙化征和磨玻璃样中的至少一种，所述生化代谢指标信息包括suvmax、suvmean、mtv(20％)、mtv(40％)、tlg(20％)和tlg(40％)的至少一种。
35、较佳地，所述肺结节状态预测模型的计算公式为：
36、
37、其中，x为肺结节良恶性的恶性概率，e是自然对数的底数，t＝a1+a2×年龄-a3×吸烟史+a4×结节最大直径-a5×本文档来自技高网...
【技术保护点】
1.一种肺结节状态的预测方法，其特征在于，所述预测方法包括：
2.如权利要求1所述的肺结节状态的预测方法，其特征在于，训练所述肺结节状态预测模型的步骤包括：
3.如权利要求2所述的肺结节状态的预测方法，其特征在于，所述对所述样本数据进行标记处理以获取样本指标数据包括：
4.如权利要求1所述的肺结节状态的预测方法，其特征在于，所述预测方法还包括：
5.如权利要求3所述的肺结节状态的预测方法，其特征在于，所述基础临床信息包括患者年龄和/或吸烟史，所述影像信息包括最大结节直径、刺征、分叶征、毛钙化征和磨玻璃样中的至少一种，所述生化代谢指标信息包括SUVmax、SUVmean、MTV(20％)、TLG(20％)、MTV(40％)和TLG(40％)的至少一种。
6.如权利要求3所述的肺结节状态的预测方法，其特征在于，所述肺结节状态预测模型的计算公式为：
7.如权利要求2所述的肺结节状态的预测方法，其特征在于，所述预设分类模型包括逻辑回归模型或二分类模型。
8.一种肺结节状态的预测系统，其特征在于，所述预测系
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的肺结节状态的预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的肺结节状态的预测方法。
...【技术特征摘要】
1.一种肺结节状态的预测方法，其特征在于，所述预测方法包括：
2.如权利要求1所述的肺结节状态的预测方法，其特征在于，训练所述肺结节状态预测模型的步骤包括：
3.如权利要求2所述的肺结节状态的预测方法，其特征在于，所述对所述样本数据进行标记处理以获取样本指标数据包括：
4.如权利要求1所述的肺结节状态的预测方法，其特征在于，所述预测方法还包括：
5.如权利要求3所述的肺结节状态的预测方法，其特征在于，所述基础临床信息包括患者年龄和/或吸烟史，所述影像信息包括最大结节直径、刺征、分叶征、毛钙化征和磨玻璃样中的至少一种，所述生化代谢指标信息包括suvmax、suvmean、mtv(20％)、tlg(20％)、mtv(40％)...
【专利技术属性】
技术研发人员：王奕然，王火强，徐博扬，韩杰茜，
申请(专利权)人：上海米然生物科技有限公司，
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。