【技术实现步骤摘要】
本专利技术涉及医学诊断，特别是涉及肿瘤患者的预后预测，具体涉及一种结合分子生物学、人工智能和临床数据分析，用于精准预测肾乳头状癌患者术后进展的多模态模型系统。
技术介绍
1、肾癌是泌尿系统最常见的肿瘤之一，每年新发病例占所有新发癌症病例的4.2%，且发病率逐年上升[1]。肾癌包括具有不同组织学特征、预后和药物敏感性的各种亚型[2-4]。肾乳头状癌是肾癌第二常见的组织学亚型，占所有病例的20%，仅次于肾透明细胞癌[5,6]。近期的临床研究显示，包括肾乳头状癌在内的部分高危肾癌患者可以从辅助治疗中受益，而低危肾癌患者无法从辅助治疗中获益[7]。然而现有的风险分层完全是根据分期和组织学分级系统，我们迫切需要一个更全面的预后模型来准确预测术后肿瘤进展。
2、分子模型已经被发现在多种肿瘤中可以比临床病理因素更准确地预测疾病进程，并帮助临床医生制定更为明智、个体化的治疗决策和随访计划。在肾癌领域目前已有几种经验证的预后基因标志物，如16-gene[8]、clearcode34[9]和基于六个单核苷酸多态性(snp)的分子模型[10]；然而，这些分子模型基本都是基于肾透明细胞癌构建的，不适用于肾乳头状癌患者。最近，有研究使用tcga数据库开发了几种肾乳头状癌的分子模型[6,11]。然而，这些分子模型在肾乳头状癌中的预测准确性仍然不令人满意，并且缺乏多中心队列进行验证，因而限制了它们的临床应用。
3、长链非编码rna（lncrna）是长度超过200个核苷酸的rna，它们没有编码蛋白质的潜力[12]，但涉及多种生物学行为的
4、因此，我们旨在专利技术一个将基于lncrna的分子模型和基于wsi的深度学习模型整合的多模态模型，来改进对肾乳头状癌患者术后进展的预测，并为术后辅助治疗策略的制订提供帮助，进而改善肾乳头状癌患者的生存时间和生存质量。
5、参考文献：
6、1. siegel, r.l., miller, k.d., wagle, n.s.&jemal, a. cancerstatistics, 2023. ca cancer j clin73, 17-48 (2023).
7、2. ljungberg, b. , et al.the epidemiology of renal cell carcinoma. eur urol60, 615-621 (2011).
8、3. leibovich, b.c. , et al.histological subtype is an independentpredictor of outcome for patients with renal cell carcinoma. j urol183, 1309-1315 (2010).
9、4. martínez chanzá, n. , et al.cabozantinib in advanced non-clear-cellrenal cell carcinoma: a multicentre, retrospective, cohort study. lancet oncol20, 581-590 (2019).
10、5. leibovich, b.c. , et al.predicting oncologic outcomes in renal cellcarcinoma after surgery. eur urol73, 772-780 (2018).
11、6. linehan, w.m. , et al.comprehensive molecular characterization ofpapillary renal-cell carcinoma. n engl j med374, 135-145 (2016).
12、7. ryan, c.w. , et al.adjuvant everolimus after surgery for renal cellcarcinoma (everest): a double-blind, placebo-controlled, randomised, phase 3trial. lancet402, 1043-1051 (2023).
13、8. rini, b. , et al.a 16-gene assay to predict recurrence aftersurgery in localised renal cell carcinoma: development and validationstudies. lancet oncol16, 676-685 (2015).
14、9. brooks, s.a. , et al.clearcode34: a prognostic risk predictor forlocalized clear cell renal cell carcinoma. eur urol66, 77-84 (2014).
15、10. wei, j.h. , et al.predictive value of single-nucleotidepolymorphism signature for recurrence in localised renal cell carcinoma: aretrospective analysis and multicentre validation study. lancet oncol20, 591-600本文档来自技高网...
【技术保护点】
1.一种用于预测肾乳头状癌患者术后进展的多模态模型，其特征在于，该模型结合以下三个模型：
2.根据权利要求1所述的多模态模型，其特征在于，所述基于lncRNA的分子模型是通过全基因组lncRNA分析来确定与肾乳头状癌患者预后相关的特定lncRNA表达模式。基于lncRNA的风险评分=(0.3209×ENSG00000265415)+(0.6406×ENSG00000234961)+(0.4071×ENSG00000222041)+(0.9470×ENSG00000248323)。
3.根据权利要求1所述的多模态模型，其特征在于，所述基于WSI的深度学习模型是通过分析肾乳头状癌患者的WSI，以识别与预后相关的组织病理学特征,从而计算一个基于WSI的深度学习风险评分。
4.根据权利要求1所述的多模态模型，其特征在于，所述基于临床病理特征的预后模型是通过集成患者的分期和组织学分级来评估其术后进展风险。
5.根据权利要求1所述的多模态模型，其特征在于：所述模型通过计算基于lncRNA的风险评分、基于WSI的深度学习风险评分以及分期和分级，来
6.一种帮助制定个体化辅助治疗策略的方法，其特征在于使用权利要求1所述的多模态模型，为每个患者产生一个综合的风险得分，从而将肾乳头状癌患者分成不同的进展风险亚组。
...【技术特征摘要】
1.一种用于预测肾乳头状癌患者术后进展的多模态模型，其特征在于，该模型结合以下三个模型：
2.根据权利要求1所述的多模态模型，其特征在于，所述基于lncrna的分子模型是通过全基因组lncrna分析来确定与肾乳头状癌患者预后相关的特定lncrna表达模式。基于lncrna的风险评分=(0.3209×ensg00000265415)+(0.6406×ensg00000234961)+(0.4071×ensg00000222041)+(0.9470×ensg00000248323)。
3.根据权利要求1所述的多模态模型，其特征在于，所述基于wsi的深度学习模型是通过分析肾乳头状癌患者的wsi，以识别与预后相关的组织病理学特征,从而计算一个基于wsi的深度学...
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。