[發明專利]一種基于影像基因組學的生存預測方法和系統

有效

• 申請號: 202110264535.X
• 申請日: 2021-03-11
• 公開（公告）號: CN112907555B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 張圣海;李志成;趙源深;孫秋暢;梁棟
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06V10/762;G06V10/77;G06V10/82;G16B40/00;G16B20/20;G06N3/04;G06N3/08
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 耿慧敏;朱偉軍

1.一種基于影像基因組學的生存預測方法，包括以下步驟：

步驟S1，獲取多個腫瘤患者的影像數據及各患者的生存期數據和RNA數據，建立數據集合；

步驟S2，從影像數據中分割出各患者的腫瘤區域，該腫瘤區域包括真實腫瘤區域和疑似腫瘤區域；

步驟S3，將各患者的影像數據輸入神經網絡，以提取影像特征并進行聚類，得到多個影像模塊；

步驟S4，利用RNA數據獲取各患者的基因模塊；

步驟S5，根據基因模塊與影像模塊之間的相關性進行篩選，選出滿足第一相關性條件的多個強相關的基因模塊和影像模塊；

步驟S6，對所篩選出的基因模塊中的基因進行通路富集，得到與影像模塊相關的基因通路；

步驟S7，計算基因通路的基因集變異分析分數，保留與影像模塊的相關性滿足第二相關性條件的強相關的基因通路，該基因通路用于對影像模塊在生物學層面上進行解釋；

步驟S8，使用最終保留的影像特征進行生存預測；

其中，在步驟S7中，所述計算基因通路的基因集變異分析分數，保留與影像模塊相關的基因通路包括：

通過基因集變異分析將基因表達矩陣轉換成通路富集分數矩陣，通路富集分數矩陣中的分數代表了相關通路在對應病例上的激活程度；

挑選出步 驟S6中得到的通路富集中各通路的基因集變異分析分數，使用這些基因集變異分析分數與步驟S5篩選后得到的影像模塊做相關性分析；

根據基因通路和影像模塊之間的相關性，篩選出滿足設定的相關性閾值的多個強相關的基因通路和影像模塊。

2.根據權利要求1所述的方法，其中，在步驟S5中，所述根據基因模塊與影像模塊之間的相關性進行篩選，選出滿足相關性閾值的多個強相關的基因模塊和影像模塊包括：

對影像模塊作降維處理，得到每個影像模塊的特征值；

通過降維得到的特征值計算基因模塊與影像模塊之間的相關性；

根據基因模塊和影像模塊之間的相關性，篩選出多個強相關的基因模塊和影像模塊。

3.根據權利要求2所述的方法，其中，采用主成分分析或線性判別分析對影像模塊作降維處理，根據皮爾遜相關系數或斯皮爾曼相關系數計算基因模塊與影像模塊之間的相關性。

4.根據權利要求1所述的方法，其中，在步驟S8中，所述使用最終保留的影像特征進行生存預測包括：

在篩選出與基因通路具有強相關的影像模塊之后，對所述神經網絡進行重訓練，該神經網絡的最后一個全連接層的輸入作為從影像數據中提取到的影像特征，在重訓練時，保持全連接層之前的網絡權重不變，在全連接層使用所篩選出的影像模塊中的影像特征代替原有的影像特征，然后對全連接層的權重進行重新訓練。

5.根據權利要求1所述的方法，其中，在步驟S8中，所述使用最終保留的影像特征進行生存預測包括：

在篩選出與基因通路具有強相關的影像模塊之后，對所述神經網絡進行重訓練，該神經網絡的最后一個全連接層的輸入作為從影像數據中提取到的影像特征，在重訓練時，保持全連接層之前的神經網絡的權重不變，對所篩選后的影像模塊做降維處理，得到每個影像模塊的特征值，然后使用影像模塊的特征值代替原有的影像特征，對全連接層的權重進行重新訓練。

6.根據權利要求1所述的方法，其中，步驟S1還包括：對數據集合中的圖像數據進行圖像標準化，以將不同量級的數據轉化為統一量度。

7.根據權利要求4或5所述的方法，還包括：

對于待預測的病例的影像數據，將其輸入經重訓練的所述神經網絡，輸出得到一個風險因子；

根據所述風險因子結合該病例的生存數據，構建回歸模型進行生存預測。