[發明專利]乳腺癌新輔助化療后病理學完全緩解概率預測方法及系統

在審

• 申請號: 202011155176.6
• 申請日: 2020-10-26
• 公開（公告）號: CN112542247A
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 宋爾衛;龔暢;沈君;楊雅平;程子亮;林婉宜
• 申請（專利權）人: 中山大學孫逸仙紀念醫院;生物島實驗室
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H50/30
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 劉孟斌

1.一種乳腺癌新輔助化療后病理學完全緩解概率預測方法，其特征在于，該方法包括以下步驟：

S1.收集患者信息，形成訓練集；

S2.在S1形成的訓練集中，通過多因素回歸分析篩選出與臨床病理狀態相關的獨立預測因子；

S3.將于S2獲得的與臨床病理狀態相關的獨立預測因子構建成列線圖模型，同時獲得納入列線圖模型的各個獨立預測因子的權重得分；

S4.通過列線圖模型分析獲得乳腺癌新輔助化療后病理學完全緩解的概率預測值。

2.一種乳腺癌新輔助化療后病理學完全緩解概率預測模型的構建方法，其特征在于，該構建方法包括以下步驟：

S1，收集患者信息，形成訓練集；

S2，在S1形成的訓練集中，通過多因素回歸分析篩選出與臨床病理狀態相關的獨立預測因子；

S3，將S2獲得的與臨床病理狀態相關的獨立預測因子構建成列線圖模型，同時獲得納入列線圖模型的各個獨立預測因子的權重得分；

S4，通過列線圖模型分析獲得乳腺癌新輔助化療后病理學完全緩解的閾值概率的凈收益，以評估該預測模型的臨床效用。

3.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現以下步驟S1-S4：

S1.收集患者信息，形成訓練集；

S2.在S1形成的訓練集中，通過多因素回歸分析篩選出與臨床病理狀態相關的獨立預測因子；

S3.將于S2獲得的與臨床病理狀態相關的獨立預測因子構建成列線圖模型，同時獲得納入列線圖模型的各個獨立預測因子的權重得分；

S4.通過列線圖模型分析獲得乳腺癌新輔助化療后病理學完全緩解的概率預測值。

4.根據前述任一項所述的預測方法或構建方法或計算機可讀存儲介質，其特征在于，于S1中，所述患者信息為需進行新輔助化療的激素受體陽性型乳腺癌患者信息；優選地，所述激素受體陽性型乳腺癌患者信息包括人口學特征信息、臨床病理特征信息、術前乳腺癌穿刺標本的10-miRNA風險分值和定量動態對比增強MRI影像學特征信息基礎信息。

5.根據前述任一項所述的預測方法或構建方法或計算機可讀存儲介質，其特征在于，于S2中，通過相關性分析獲得新輔助化療誘導的病理學完全緩解的影響因素，并在訓練集中通過多因素回歸分析篩選出與臨床病理狀態相關的獨立預測因子；和/或，步驟S2還包括將訓練集中患者術后病理結果分為病理學完全緩解組和非病理學完全緩解組。

6.根據前述任一項所述的預測方法或構建方法或計算機可讀存儲介質，其特征在于，于S3中，所述列線圖模型的獨立預測因子包括四個信息變量，分別為10-miRNA風險分值、孕激素受體水平、人表皮生長因子受體-2狀態、容量轉移常數。

7.根據前述任一項所述的預測方法或構建方法或計算機可讀存儲介質，其特征在于，于S3與S4之間還包括：

S31，對S3構建的列線圖模型進行內部驗證及外部驗證，通過校準曲線與一致性指數的方式確定列線圖模型的預測精度和判別能力。

8.根據權利要求6所述的預測方法或構建方法或計算機可讀存儲介質，其特征在于，S4包括以下步驟：

S41，獲取列線圖模型的四個信息變量的總分值；所述總分值評分公式為：總分值＝孕激素受體水平分值+人表皮生長因子受體-2狀態分值+10-miRNA風險分值+容量轉移常數；

S42，根據所述總分值計算所述乳腺癌患者新輔助化療后獲得病理學完全緩解的概率預測值。

9.根據前述任一項所述的預測方法或構建方法或計算機可讀存儲介質，其特征在于，S4還包括以下步驟：

S43，將總分值與高獲益組截斷值進行數值對比，從而將患者劃分為高獲益組及獲得低獲益組，并根據概率預測值對高獲益組及獲得低獲益組的患者判斷是否建議患者進行新輔助化療。