System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医疗诊断,具体为一种肺结节良恶性预测模型构建方法、系统及装置。
技术介绍
1、目前,肺癌为全球发病率和死亡率第一的恶性肿瘤。肺癌的发病率和死亡率也均居第一位。由于缺乏典型的临床症状,仅表现为咳嗽、咯痰、胸痛、发热、体力下降等非特异性症状。大多数肺癌患者确诊时多处于晚期阶段,失去了治愈的最佳时期。早期肺癌表现隐匿且多样化,临床特征及体征不明显,未进行及时的治疗,有近60%的患者就诊时已经处于肺癌晚期。有研究表明,早期肺癌的五年生存率达70%,而晚期肺癌的五年生存率仅为16%。随着人们生活水平的提高,对健康也越来越重视。并且,随着科技进步,许多先进设备进入临床,关于肺癌早期筛查的研究越来越丰富。其中,2011年,美国国家肺癌筛查试验的随机对照研究结果显示,通过低剂量螺旋ct(ldct)对肺癌高危人群的筛查研究表明,其能够有效降低肺癌病死率达20%,提高12%早期肺癌的检出率,说明ldct为有效检测早期肺癌的手段。同时,ldct具有一些不可避免的缺点,ldct能在25%的高危人群中发现结节,经过进一步的检查和追踪,其中只有4%最终被诊断为肺癌,假阳性率高达96%;同时,肺癌高危人群筛查指标严格,所有的肺癌患者中只有30%符合ldct的高危人群筛查标准,而大部分肺癌患者也无法通过ldct筛查被发现。
2、肺结节诊治专家共识中指出了肺癌的独立危险因素:年龄、吸烟史、胸外肿瘤病史、结节大小、毛刺、结节的位置。同时nccn中肺癌筛查中也指出了:吸烟、年龄、肿瘤史、肿瘤家族史、肿瘤的大小、形态、密度、合并慢阻肺、弥漫性
3、我们前期在影像科、呼吸科、胸外科及检验科、病理科的临床观察中,ct影像学、液态检测、ct引导的肺穿刺中、肺结节手术中观察到ct及液态检测联合有助于良恶性结节的判断,同时我们回顾性研究了往年ct发现的肺结节,根据患者年龄、吸烟史及结节直径、毛刺、位置进行了一个ct表现下多因素分析。故推测两者结合可能提高肺结节良恶性的诊断效能。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本专利技术提供了一种肺结节良恶性预测模型构建方法、系统及装置,通过分析肺结节的影像学资料、液态检测,以期建立肺结节良恶性的预测模型。
3、(二)技术方案
4、为实现以上目的,本专利技术通过以下技术方案予以实现:
5、第一方面,提供了一种肺结节良恶性预测模型构建方法,包括:
6、获取患者基本信息和具有明确病理诊断的良恶性肺结节患者病例,所述病例包括患者ct影像学表现和液态检测信息;
7、将患者ct影像学表现中的的肺结节进行分割、标注,得到三维结节,对每个三维结节进行归一化处理,并通过液态检测信息,将患者病例按毛玻璃样病变ggo成分比例进行划分,将数据集随机划分为训练集、验证集和测试集;
8、通过训练集对预设的肺结节良恶性预测模型进行训练,其中,所述肺结节良恶性预测模型为p=ex/(1+ex),其中,x=0.256+0.064×年龄+2.078*分叶征+1.116*两肺门多发淋巴结+2.078*胸膜牵拉征+0.997*支气管充气征+1.316*毛刺征+2.101×肿瘤史-1.493*结节数目+0.796*lncea,e是自然数;
9、通过验证集对训练后的肺结节良恶性预测模型中的模型参数进行选择,肺结节良恶性预测模型输出结节恶性风险的概率,将概率结果与预设的概率阈值比较,小于阈值的概率划分为肺部良性结节,否则预测为恶性结节;
10、通过测试集对肺结节良恶性预测模型进行评估测试。
11、优选的,所述患者基本信息包括年龄、性别、吸烟情况、家族肿瘤病史、既往肿瘤病史、职业。
12、优选的,所述患者ct影像包括肺结节的大小、形态、密度、合并慢阻肺、弥漫性肺纤维化。
13、优选的,所述患者ct影像学表现包括肺结节最大径、最小径、体积、最大密度或最小密度。
14、优选的,所述液态检测信息包括血液中的肿瘤细胞和肿瘤dna。
15、第二方面,提供了一种肺结节良恶性预测模型构建系统,包括以下模块:
16、获取模块,被配置为获取患者基本信息和具有明确病理诊断的良恶性肺结节患者病例,所述病例包括患者ct影像学表现和液态检测信息;
17、处理模块,被配置为将患者ct影像学表现中的的肺结节进行分割、标注,得到三维结节,对每个三维结节进行归一化处理,并通过液态检测信息,将患者病例按毛玻璃样病变ggo成分比例进行划分,将数据集随机划分为训练集、验证集和测试集;
18、训练模块,被配置为通过训练集对预设的肺结节良恶性预测模型进行训练,其中,所述肺结节良恶性预测模型为p=ex/(1+ex),其中,x=0.256+0.064×年龄+2.078*分叶征+1.116*两肺门多发淋巴结+2.078*胸膜牵拉征+0.997*支气管充气征+1.316*毛刺征+2.101×肿瘤史-1.493*结节数目+0.796*lncea,e是自然数;
19、验证模块,被配置为通过验证集对训练后的肺结节良恶性预测模型中的模型参数进行选择,肺结节良恶性预测模型输出结节恶性风险的概率,将概率结果与预设的概率阈值比较,小于阈值的概率划分为肺部良性结节,否则预测为恶性结节;
20、测试模块,被配置为通过测试集对肺结节良恶性预测模型进行评估测试。
21、第三方面,提供了一种肺结节良恶性预测模型构建装置,包括:
22、内部总线,以及通过内部总线连接的存储器、处理器和外部接口;其中,所述外部接口,用于获取数据;
23、所述存储器,用于预测模型构建对应的机器可读指令;
24、所述处理器,用于读取所述存储器上的所述机器可读指令,并执行所述指令实现如下操作:
25、获取患者基本信息和具有明确病理诊断的良恶性肺结节患者病例,所述病例包括患者ct影像学表现和液态检测信息;
26、将患者ct影像学表现中的的肺结节进行分割、标注,得到三维结节,对每个三维结节进行归一化处理,并通过液态检测信息,将患者病例按毛玻璃样病变ggo成分比例进行划分,将数据集随机划分为训练集、验证集和测试集;
27、通过训练集对预设的肺结节良恶性预测模型进行训练,其中,所述肺结节良恶性预测模型为p=ex/(1+ex),其中,x=0.256+0.064×年龄+2.078*分叶征+1.116*两肺门多发淋巴结+2.078*胸膜牵拉征+0.997*支气管充气征+1.316*毛刺征+2.101×肿瘤史-1.493*结节数目+0.796*lncea,e是自然数;
28、通过验证集对训练后的肺结节良恶性预测模型中的模型参数进行选择,肺结节良恶性预测模型输出结节恶性风险的概率,将概本文档来自技高网...
【技术保护点】
1.一种肺结节良恶性预测模型构建方法,其特征在于,包括:
2.根据权利要求1所述的一种肺结节良恶性预测模型构建方法,其特征在于:所述患者基本信息包括年龄、性别、吸烟情况、家族肿瘤病史、既往肿瘤病史、职业。
3.根据权利要求1所述的一种肺结节良恶性预测模型构建方法,其特征在于:所述患者CT影像包括肺结节的大小、形态、密度、合并慢阻肺、弥漫性肺纤维化。
4.根据权利要求1所述的一种肺结节良恶性预测模型构建方法,其特征在于:所述患者CT影像学表现包括肺结节最大径、最小径、体积、最大密度或最小密度。
5.根据权利要求1所述的一种肺结节良恶性预测模型构建方法,其特征在于:所述液态检测信息包括血液中的肿瘤细胞和肿瘤DNA。
6.一种肺结节良恶性预测模型构建系统,其特征在于,包括以下模块:
7.一种肺结节良恶性预测模型构建装置,其特征在于,包括:
8.一种肺结节良恶性预测模型,其特征在于,所述肺结节良恶性预测模型根据权利要求1-6任意一项所述的肺结节良恶性预测模型构建方法构建而成。
9.一种存储一个
10.一种计算设备,其特征在于,包括:
...【技术特征摘要】
1.一种肺结节良恶性预测模型构建方法,其特征在于,包括:
2.根据权利要求1所述的一种肺结节良恶性预测模型构建方法,其特征在于:所述患者基本信息包括年龄、性别、吸烟情况、家族肿瘤病史、既往肿瘤病史、职业。
3.根据权利要求1所述的一种肺结节良恶性预测模型构建方法,其特征在于:所述患者ct影像包括肺结节的大小、形态、密度、合并慢阻肺、弥漫性肺纤维化。
4.根据权利要求1所述的一种肺结节良恶性预测模型构建方法,其特征在于:所述患者ct影像学表现包括肺结节最大径、最小径、体积、最大密度或最小密度。
5.根据权利要求1所述的一种肺结节良恶性预测模型构建方法,...
【专利技术属性】
技术研发人员:张传红,张磊,滕玲,王勇,庄静,眭瑞卿,
申请(专利权)人:南京市浦口区中医院,
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。