[發(fā)明專利]一種基于深度學習的鱗狀食道癌放化療效果預測方法

在審

• 申請?zhí)枺?/td>: 202110521381.8
• 申請日: 2021-05-13
• 公開（公告）號: CN113362927A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設計）人: 傅劍華;胡藝懷;羅孔嘉
• 申請（專利權）人: 中山大學腫瘤防治中心（中山大學附屬腫瘤醫(yī)院;中山大學腫瘤研究所）
• 主分類號: G16H20/40
• 分類號: G16H20/40;G06T7/00;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 廣州藍晟專利代理事務所(普通合伙) 44452
• 代理人: 欒洋洋

1.一種基于深度學習的鱗狀食道癌放化療效果預測方法，其特征在于，包括：

步驟一：從圖像存檔和通信系統(tǒng)中提取預處理后的CT增強圖像，分割出感興趣的瘤內和瘤周區(qū)域；

步驟二：將分割后感興趣的瘤內和瘤周區(qū)域圖像進行高斯濾波、小波濾波和拉普拉斯濾波處理，并提取處理后的圖像特征；

步驟三：使用提出的圖像特征訓練深度學習神經(jīng)網(wǎng)絡模型；

步驟四：放射組學特征和病理生理特征分析；

步驟五：統(tǒng)計分析。

2.如權力要求1所述的基于深度學習的鱗狀食道癌放化療效果預測方法，其特征在于，所述步驟一中使用ITK-SNAP圖像分割軟件進行圖像分割。

3.如權力要求1所述的基于深度學習的鱗狀食道癌放化療效果預測方法，其特征在于，所述步驟二為了去除潛在的冗余特征，降低數(shù)據(jù)維數(shù)，在訓練集中進行了特征選擇，特征選擇包括步驟：

S21：采用皮爾森相關系數(shù)對相關特征進行分組，保留最具預測性的特征；

S22：將每組的相關特征擬合到?jīng)Q策樹模型中，并根據(jù)其對預測切除的原發(fā)腫瘤和淋巴結內沒有存活的殘余腫瘤細胞的反應狀態(tài)的貢獻程度進行排序，最重要的特征被選為這一組的代表，并被保留；

S23：采用遞歸特征添加算法的包裝方法來尋找最可預測的特征；

S24：根據(jù)特征的相關重要性進行排序，并使用相應的分類器在遞歸過程中添加有貢獻的特征。

4.如權力要求1所述的基于深度學習的鱗狀食道癌放化療效果預測方法，其特征在于，步驟三中的分類器包括但不限于線性回歸、線性核支持向量機、徑向基核支持向量機、k近鄰、樸素貝葉斯、決策樹、隨機森林和極端梯度增強。

5.如權力要求1所述的基于深度學習的鱗狀食道癌放化療效果預測方法，其特征在于，步驟四中包括步驟：計算表達水平和放射組學得分之間的斯皮爾曼等級相關系數(shù)，包括步驟：

S41：將多個基因按系數(shù)和輸入進行排序，使用基因集富集分析重排序工具進行基因集富集分析；

S42：對分子特征庫中的基因本體生物過程基因集合進行測試；

S43：利用Cytoscape上的富集圖對富集分析結果進行驗證，構建Q值小于0.05的富集基因集富集圖譜；

S44：使用Auto Annotate工具進行聚類，然后手動修改和標記。

6.如權力要求1所述的基于深度學習的鱗狀食道癌放化療效果預測方法，其特征在于，步驟五包括步驟：

S51：分類變量采用χ2或Fisher精確檢驗，數(shù)值變量采用Kruskal-Wallis檢驗；

S52：放射組學模型的性能通過AUC進行量化，差異P值通過Delong檢驗計算；

S53：用約登指數(shù)確定準確性、敏感性和特異性的截止點；

S54：通過標定曲線和判定曲線來檢驗標定性能和臨床應用價值；

S55：采用單變量分析方法檢測臨床參數(shù)與切除的原發(fā)腫瘤和淋巴結內沒有存活的殘余腫瘤細胞的相關性，采用分層分析方法評價臨床參數(shù)對放化療療效的影響。