[發(fā)明專(zhuān)利]基于深度學(xué)習(xí)的肺部全掃描圖像EGFR突變預(yù)測(cè)方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010692811.8
• 申請(qǐng)日: 2020-07-17
• 公開(kāi)（公告）號(hào): CN111814893A
• 公開(kāi)（公告）日: 2020-10-23
• 發(fā)明（設(shè)計(jì)）人: 車(chē)南穎;趙丹;劉燦城;王書(shū)浩
• 申請(qǐng)（專(zhuān)利權(quán)）人: 首都醫(yī)科大學(xué)附屬北京胸科醫(yī)院;北京市結(jié)核病胸部腫瘤研究所;透徹影像（北京）科技有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G16H50/20;G16H50/70
• 代理公司: 北京冠和權(quán)律師事務(wù)所 11399
• 代理人: 安琪

本發(fā)明提出了基于深度學(xué)習(xí)的肺部全掃描圖像EGFR突變預(yù)測(cè)方法和系統(tǒng)，所述方法包括：通過(guò)數(shù)據(jù)病理掃描儀獲取全掃描病理圖像；將所述全掃描病理圖像輸入值癌區(qū)分析模型，通過(guò)所述癌區(qū)分析模型獲取所述全掃描病理圖像對(duì)應(yīng)的像素級(jí)的癌變區(qū)域；在所述癌變區(qū)域內(nèi)篩選出含有癌癥的圖像塊，并根據(jù)所述全掃描病理圖像的EGFR突變情況，將所述圖像塊全部設(shè)置為陽(yáng)性或者陰性；將所述全部設(shè)置為陽(yáng)性或者陰性的圖像塊輸入值分類(lèi)模型中，以有監(jiān)督的方式進(jìn)行二分類(lèi)模型訓(xùn)練，通過(guò)二分類(lèi)模型訓(xùn)練過(guò)程將所述圖像塊分類(lèi)為EGFR突變陽(yáng)性或者陰性。

技術(shù)領(lǐng)域

本發(fā)明提出了基于深度學(xué)習(xí)的肺部全掃描圖像EGFR突變預(yù)測(cè)方法和系統(tǒng)，屬于計(jì)算機(jī)處理技術(shù)領(lǐng)域。

背景技術(shù)

根據(jù)2018年全球癌癥統(tǒng)計(jì)，肺癌是全球發(fā)病率和死亡率最高的惡性腫瘤。約85-90％的肺癌為非小細(xì)胞肺癌(NSCLC)。靶向治療是治療NSCLC的有效方法。通過(guò)PCR或新一代測(cè)序(NGS)了解基因(如EGFR)的突變情況是很有必要的，由于受樣本和實(shí)驗(yàn)室條件的限制，并不是所有的患者都能進(jìn)行檢測(cè)，導(dǎo)致失去了靶向治療的機(jī)會(huì)。

與腫瘤檢測(cè)不同的是，在EGFR突變預(yù)測(cè)方面，人們只知道非常有限的信息，是典型的弱監(jiān)督學(xué)習(xí)問(wèn)題。

在最近的一項(xiàng)研究中，作者提出利用深度學(xué)習(xí)來(lái)學(xué)習(xí)EGFR突變狀態(tài)。他們建立了一個(gè)針對(duì)腺癌(ADC)的圖像塊級(jí)EGFR突變預(yù)測(cè)模型，在包含冷凍、福爾馬林固定石蠟包埋組織和活檢的測(cè)試集上，圖像塊級(jí)預(yù)測(cè)模型曲線(xiàn)下面積(AUC)為0.754。

現(xiàn)有技術(shù)的缺點(diǎn)：

1.該方法沒(méi)有利用肺部病理切片的臨床診斷信息，尤其是病理分型信息；

2.沒(méi)有提出有效的應(yīng)用方式，在臨床使用的過(guò)程中存在一定的困難。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于深度學(xué)習(xí)的肺部全掃描圖像EGFR突變預(yù)測(cè)方法和系統(tǒng)能夠利用圖像的組織形態(tài)學(xué)與病理分型信息，對(duì)圖像是否為EGFR突變進(jìn)行分析和預(yù)測(cè)，用以解決現(xiàn)有預(yù)測(cè)方法中只知道EGFR突變區(qū)域是癌變區(qū)域，但是不知道其具體位置的問(wèn)題，同時(shí)提出雙閾值策略，解決了系統(tǒng)在臨床中的應(yīng)用問(wèn)題；所采取的的技術(shù)方案如下：

基于深度學(xué)習(xí)的肺部全掃描圖像EGFR突變預(yù)測(cè)方法，所述方法包括：

通過(guò)數(shù)據(jù)病理掃描儀獲取全掃描病理圖像；

將所述全掃描病理圖像輸入值癌區(qū)分析模型，通過(guò)所述癌區(qū)分析模型獲取所述全掃描病理圖像對(duì)應(yīng)的像素級(jí)的癌變區(qū)域；

在所述癌變區(qū)域內(nèi)篩選出含有癌癥的圖像塊，并根據(jù)所述全掃描病理圖像的EGFR突變情況，將所述圖像塊全部設(shè)置為陽(yáng)性或者陰性；

將所述全部設(shè)置為陽(yáng)性或者陰性的圖像塊輸入值分類(lèi)模型中，以有監(jiān)督的方式進(jìn)行二分類(lèi)模型訓(xùn)練，通過(guò)二分類(lèi)模型訓(xùn)練過(guò)程將所述圖像塊分類(lèi)為EGFR突變陽(yáng)性或者陰性。

進(jìn)一步地，所述二分類(lèi)模型訓(xùn)練的過(guò)程中，設(shè)定不同的概率閾值，通過(guò)雙閾值方法將所述圖像塊分類(lèi)為EGFR突變陽(yáng)性或者陰性。

進(jìn)一步地，所述雙閾值方法的過(guò)程包括：

設(shè)置兩組概率閾值T₁和T₂，其中，T₁和T₂之間的關(guān)系滿(mǎn)足：T₁＞T₂；

利用所述兩組概率閾值結(jié)合判斷準(zhǔn)則，對(duì)所述圖像塊所屬的全掃描病理圖像對(duì)應(yīng)的病例進(jìn)行診斷預(yù)測(cè)。

進(jìn)一步地，所述判斷準(zhǔn)則為：

在二分類(lèi)模型訓(xùn)練過(guò)程，當(dāng)所述圖像塊對(duì)應(yīng)輸出的概率大于概率閾值T₁時(shí)，將所述圖像塊所屬的全掃描病理圖像對(duì)應(yīng)的病例作為陽(yáng)性樣本進(jìn)行處理；