[發明專利]識別甲狀腺腫瘤病理圖像中病變類型及基因突變的方法

在審

• 申請號: 202110034353.3
• 申請日: 2021-01-11
• 公開（公告）號: CN112862756A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 梁智勇;陳浩;張卉;胡羽;吳煥文;林黃靖
• 申請（專利權）人: 中國醫學科學院北京協和醫院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/32;G06K9/62;G06N3/04
• 代理公司: 北京慧尚知識產權代理事務所(特殊普通合伙) 11743
• 代理人: 鄭德龍;鮑曉芳

本發明公開了一種識別甲狀腺濾泡性腫瘤組織病理圖像中病變區域的方法，并對基因突變進行預測。該方法是一種基于深度學習方法的自動輔助診斷技術，利用大數據和深度卷積神經網絡算法，對甲狀腺濾泡性腫瘤病理組織切片圖像中的病變區域進行自動定位，并對該病變區域的病理組織學類型和基因突變類型進行自動識別，根據病理組織圖像識別出同時攜帶RAS及其他驅動基因突變的病例，實現甲狀腺濾泡性腫瘤的組織學分類及相關基因突變的預測。本發明所述的方法為臨床醫師提供信息，協助病理診斷及輔助制定臨床決策，推動數字病理及精準醫療的發展。

技術領域

本發明涉及圖像處理技術領域，特別涉及一種識別甲狀腺濾泡性腫瘤病理圖像中病變區域的方法，并對其進行基因突變類型進行分類。

背景技術

甲狀腺可以產生甲狀腺激素，例如，甲狀腺素和三碘甲狀腺原氨酸就是由甲狀腺產生的兩種活性甲狀腺激素。它們在控制人體新陳代謝(包括蛋白質的產生、體溫調節和能量產生和調節等)中起著至關重要的作用。

甲狀腺疾病是內分泌領域的第二大疾病，甲狀腺癌也是內分泌領域常見的惡性腫瘤，它分為乳頭狀甲狀腺癌、濾泡性甲狀腺癌、低分化甲狀腺癌和間變性甲狀腺癌。

甲狀腺濾泡性腫瘤是一組具有濾泡生長方式的結節狀甲狀腺腫瘤，分為良性、交界性和惡性，而這三種濾泡性甲狀腺腫瘤的形態學特征非常相似。

其中，濾泡性甲狀腺癌是起源于濾泡細胞的惡性濾泡性甲狀腺腫瘤，該病變通常被包囊并表現出侵襲性生長方式，腫瘤細胞不具有乳頭狀甲狀腺癌的細胞核特征。

甲狀腺濾泡性腺瘤是一種良性的甲狀腺濾泡性病變，腫瘤呈包裹性生長，無侵襲性，腫瘤細胞也不具有甲狀腺乳頭狀癌的細胞核特征。

惡性潛能不確定的甲狀腺腫瘤是一組交界性甲狀腺濾泡性腫瘤，具有可疑的包膜/血管浸潤，或乳頭狀癌的細胞核特征，同時未達到惡性標準。

在臨床上診斷甲狀腺疾病常用的方法有很多，如臨床表現、影像學檢查或細胞學檢查等。但是由于上述三種甲狀腺濾泡性腫瘤的形態學特征非常相似，影像學檢查或細針穿刺細胞學檢查難以對其進行鑒別。因此，大多數情況下都采用手術切除治療可疑的濾泡性甲狀腺腫瘤，通過手術切除標本的病理組織切片進行觀察，區分三者。

但是，由于病理形態學評價具有極大的主觀性，病理醫師對包膜及血管浸潤的判斷一致性較差，所以甲狀腺濾泡性腫瘤的病理診斷具有很大的挑戰性。隨著分子病理技術的發展，很多研究試圖通過分子標記物尋找三者之間的鑒別點，但是仍未發現可用于區分三者的分子指標。然而甲狀腺濾泡性腫瘤分子標記物的研究，提示同時攜帶RAS及其他驅動基因突變的甲狀腺濾泡性腫瘤患者預后較單純攜帶RAS基因突變的患者預后相對差(如良性腫瘤容易發生惡性轉化，或者惡性腫瘤復發風險增加)，從而提示臨床醫師對該組病例做出更加積極有效的隨訪方案。

同時，機器學習的方法已經被大范圍運用到醫學圖像識別和輔助診斷中，幫助醫生更加精確地、省時省力地診斷各種疾病，成為了一種新型的計算機輔助診斷方法。其中，監督學習和深度學習是重要的機器學習方法，通過對圖像的疾病標簽不斷學習，判斷出圖像中的病灶位置及病變類型。

卷積神經網絡是現在被廣泛應用的一種深度學習方法。卷積神經網絡可以用來識別數字病理切片圖像中的原發性腫瘤灶和轉移性腫瘤灶，其以二維或三維圖像作為輸入，具有多層結構，包括池化層、卷積層、Relu層和全連接層等，具有局部感知、權重共享、和多卷積核的特點，從而極大地降低了神經網絡模型中的大量參數的計算量。

現有的卷積神經網絡方法可以用于甲狀腺濾泡性腺瘤和甲狀腺癌的影像學診斷，但是這些已有的方法存在準確性低、診斷能力有限、無法區分交界性濾泡性腫瘤等問題。并且由于缺乏大量的臨床數據，目前尚無關于甲狀腺濾泡性腫瘤組織病理圖像診斷的卷積神經網絡方法。