【技术实现步骤摘要】
本专利技术涉及医学影像，尤其涉及一种肿瘤新辅助化疗响应预测方法及系统。
技术介绍
1、乳腺癌新辅助化疗是在手术前或放疗前给予患者化疗药物的治疗策略。通过减小肿瘤的体积，新辅助化疗可以增加手术切除乳腺肿瘤的可能性。手术切除是治疗乳腺癌的主要方式之一，而新辅助化疗可以为手术提供更好的条件。但是，新辅助化疗并不是对每位患者都有效。化疗可能导致免疫系统抑制、心脏病风险、骨髓抑制、骨质疏松等问题。因此，准确识别可能对新辅助化疗响应的患者，并有针对性的指定治疗方案，是避免风险的有效办法。
2、在临床上，医生会采用多种方法来评估患者是否可能对新辅助化疗有效。第一，临床病理特征：医生会评估患者的乳腺癌的病理特征，包括肿瘤的大小、分级、组织学类型、激素受体状态和her2/neu基因的表达情况等。这些特征可以提供关于肿瘤的生物学行为和预后的信息，并有助于判断患者对新辅助化疗的可能反应。第二：激素受体和her2状态：评估患者乳腺癌中激素受体和her2受体的状态对于指导新辅助化疗策略很重要。激素受体阳性和her2阳性的乳腺癌通常对相应的靶向治疗药物有更好的反应。第三：基因表达分析：通过分子生物学和基因组学技术，医生可以对患者的乳腺癌样本进行基因表达分析。这些分析可以提供关于肿瘤的分子亚型、基因变异和预后的信息。某些基因表达标志物也可以预测乳腺癌对化疗的敏感性。
3、现有技术的缺点主要在于需要肿瘤组织取样，均为有创的技术手段。检验肿瘤临床病理特征、激素受体和her2状态、基因表达分析均需要对肿瘤进行穿刺并采集肿瘤组织。肿瘤穿刺过程
4、为了克服这些缺陷，本申请提出了一种肿瘤新辅助化疗响应预测方法及系统，通过无创手段，避免了传统手术或穿刺导致的疼痛和不适感，同时降低了并发症和感染的风险，为乳腺癌患者的个体化治疗提供了可靠的辅助工具。
技术实现思路
1、本申请的目的是提供一种肿瘤新辅助化疗响应预测方法及系统，旨在解决上述问题。
2、为实现上述目的，本申请提供如下技术方案：
3、本申请提供一种肿瘤新辅助化疗响应预测方法，包括：
4、获取患者的核磁共振图像，并建立数据集；
5、对所述数据集进行预处理和提取肿瘤区域，得到图像样本文件；
6、将所述图像样本文件输入深度学习模型，输出预测结果；
7、基于验证集检测所述预测结果；
8、基于转录组测序数据分析所述预测结果。
9、进一步的，在对所述数据集进行预处理和提取肿瘤区域，得到图像样本文件的步骤中，具体包括下述步骤：
10、将所述数据集中的dicom格式转化为nifti格式；对所述核磁共振图像进行重采样；对所述核磁共振图像进行配准，将若干个时间点对应空间同一位置的点，配准时采用刚性配准模式，使用互信息作为图像相似度度量；配准和重采样完成后，所述核磁共振图像的空间分辨率均为1mm；
11、所述核磁共振图像包括t1，t2，adc模态；在t2模态下的核磁共振图像中勾画肿瘤区域，并与t1与adc模态下的肿瘤区域进行交叉对比，确定所有肿瘤区域均包裹于勾画内；
12、将三维勾画区域外的图像进行消除，保留肿瘤区域图像，将t1、t2、adc模态的肿瘤区域文件合并，得到图像样本文件。
13、进一步的，在将所述图像样本文件输入深度学习模型，输出预测结果的步骤中，具体包括下述步骤：
14、所述深度学习模型的训练过程包括训练组与验证组，并采用正态检验分析数据的分布；对正太分布的数据采用卡方检验验证特征差异，对非正态分布的数据采用符号秩和检验特征差异；
15、将图像样本文件中的切片调整为256×256像素大小，采用resnet-34架构作为深度学习模型的主干结构；在训练时，通过adam优化器来调整网络权重；
16、深度学习模型的输出为pcr状态的概率向量，在训练时将二元结果作为标签，其中pcr＝1表示肿瘤完全响应治疗，非pcr＝0表示未完全响应。
17、进一步的，在基于验证集检测所述预测结果的步骤中，具体包括下述步骤：
18、以准确率、召回率、特异性、f1分数以及受试者工作特性曲线下面积检测所述预测结果；
19、准确率为所述深度学习模型预测的比例；召回率为检测所述深度学习模型识别正类的能力；特异性为所述深度学习模型正确识别负类的比例；f1分数为准确率和召回率的调和平均数；auc-roc为一个图形化指标，表示在不同阈值下所述深度学习模型的真正例率和假正例率之间的关系，其下面积(auc)检测所述深度学习模型识别正类和负类的整体能力。
20、进一步的，在基于转录组测序数据分析所述预测结果的步骤中，具体包括下述步骤：
21、获取转录组测序数据：对测序初始数据进行接头序列去除，去除n碱基数达到5bp及以上的序列，去除低质量碱基超过40％的序列；以4bp为滑窗大小进行滑窗质量剪裁，得到初步处理数据；
22、以hisat2软件将转录组测序数据比对至参考基因组，根据序列比对结果记录基因组注释信息；利用htseq软件进行不同基因表达量的统计，计算单位长度片段数值以完成标准化，生成基因表达数据矩阵；
23、对每个富集通路，采用基因集变异分析计算患者特异的gsva分数，量化通路活性；通过皮尔斯相关系数评估所述深度学习模型提取影像特征与通路gsva分数之间的统计相关性；使用r语言中的p.adjust函数对p值进行校正。
24、本申请提供一种肿瘤新辅助化疗响应预测系统，包括：
25、获取模块：获取患者的核磁共振图像，并建立数据集；
26、处理模块：对所述数据集进行预处理和提取肿瘤区域，得到图像样本文件；
27、训练模块：将所述图像样本文件输入深度学习模型，输出预测结果；
28、检测模块：基于验证集检测所述预测结果；
29、分析模块：基于转录组测序数据分析所述预测结果。
30、本申请提供一种设备，所述设备包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现一种肿瘤新辅助化疗响应预测方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以实现肿瘤新辅助化疗响应预测。
31、本申请提供一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行一种肿瘤新辅助化疗响应预测方法。
32、本申请提供了一种肿瘤新辅助化疗响应预测方法及系统，具有以下有益效果：
33、本申请通过肿瘤核磁共振影像中提取影像特征，基于已完本文档来自技高网...
【技术保护点】
1.一种肿瘤新辅助化疗响应预测方法，其特征在于，包括：
2.根据权利要求1所述的一种肿瘤新辅助化疗响应预测方法，其特征在于，在对所述数据集进行预处理和提取肿瘤区域，得到图像样本文件的步骤中，具体包括下述步骤：
3.根据权利要求1所述的一种肿瘤新辅助化疗响应预测方法，其特征在于，在将所述图像样本文件输入深度学习模型，输出预测结果的步骤中，具体包括下述步骤：
4.根据权利要求1所述的一种肿瘤新辅助化疗响应预测方法，其特征在于，在基于验证集检测所述预测结果的步骤中，具体包括下述步骤：
5.根据权利要求1所述的一种肿瘤新辅助化疗响应预测方法，其特征在于，在基于转录组测序数据分析所述预测结果的步骤中，具体包括下述步骤：
6.一种根据权利要求1所述的一种肿瘤新辅助化疗响应预测方法的系统，其特征在于，包括：
7.一种设备，其特征在于，所述设备包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现权利要求1-5任一项所述的一种肿瘤新辅助化疗响应预测方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以
8.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1-5任一项所述的一种肿瘤新辅助化疗响应预测方法。
...【技术特征摘要】
1.一种肿瘤新辅助化疗响应预测方法，其特征在于，包括：
2.根据权利要求1所述的一种肿瘤新辅助化疗响应预测方法，其特征在于，在对所述数据集进行预处理和提取肿瘤区域，得到图像样本文件的步骤中，具体包括下述步骤：
3.根据权利要求1所述的一种肿瘤新辅助化疗响应预测方法，其特征在于，在将所述图像样本文件输入深度学习模型，输出预测结果的步骤中，具体包括下述步骤：
4.根据权利要求1所述的一种肿瘤新辅助化疗响应预测方法，其特征在于，在基于验证集检测所述预测结果的步骤中，具体包括下述步骤：
5.根据权利要求1所述的一种肿瘤新辅助化疗响应预测方法，...
【专利技术属性】
技术研发人员：段静娴，李志成，梁栋，赵源深，孙秋畅，
申请(专利权)人：中国科学院深圳先进技术研究院，
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。