[發(fā)明專利]一種結(jié)外鼻型NK/T細(xì)胞淋巴瘤診斷與預(yù)后模型的構(gòu)建方法

在審

• 申請?zhí)枺?/td>: 202210076265.4
• 申請日: 2022-01-21
• 公開（公告）號: CN114529718A
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計）人: 蔡清清;李超峰;鄧一術(shù);鄒琪華;張宇辰;田小朋
• 申請（專利權(quán)）人: 中山大學(xué)腫瘤防治中心（中山大學(xué)附屬腫瘤醫(yī)院;中山大學(xué)腫瘤研究所）
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06T7/00;G16H50/20
• 代理公司: 廣州一銳專利代理有限公司 44369
• 代理人: 楊昕昕

1.一種結(jié)外鼻型NK/T細(xì)胞淋巴瘤診斷模型的構(gòu)建方法，其特征在于，包括以下步驟：

S1、獲取鼻咽患者隊列的MRI影像學(xué)診斷或者病理學(xué)診斷，得到影像學(xué)圖數(shù)據(jù)集，并將影像學(xué)圖數(shù)據(jù)集作為原始數(shù)據(jù)集；

S2、將上述S1中的原始數(shù)據(jù)集分為訓(xùn)練集及內(nèi)部驗證集，采用訓(xùn)練集訓(xùn)練3D-CNN模型，構(gòu)建初步AI診斷模型；

S3、通過內(nèi)部驗證集對初步AI診斷模型進(jìn)行初步驗證，并通過優(yōu)化以及交叉驗證提高初步AI診斷模型的靈敏度及特異度；

S4、收集外部符合納入標(biāo)準(zhǔn)的鼻咽MRI影像學(xué)圖，形成外部驗證集，并通過外部驗證集對AI診斷模型進(jìn)行外部驗證，驗證后得到最終AI診斷模型。

2.根據(jù)權(quán)利要求1所述的一種結(jié)外鼻型NK/T細(xì)胞淋巴瘤診斷模型的構(gòu)建方法，其特征在于，

在S1步驟中，獲取鼻咽患者隊列的MRI影像學(xué)診斷或者病理學(xué)診斷包括：

存在鼻咽部受累的患者，且患者的病理診斷為結(jié)外鼻型NKTCL，需行鼻咽MRI平掃+增強(qiáng)影像學(xué)檢查診斷；

存在鼻咽部受累的患者，且患者的病理診斷為鼻咽癌，并行鼻咽MRI平掃+增強(qiáng)影像學(xué)檢查診斷；

影像學(xué)診斷或者病理學(xué)診斷為良性病變的患者，且患者經(jīng)鼻咽MRI平掃+增強(qiáng)影像學(xué)檢查診斷。

3.根據(jù)權(quán)利要求2所述的一種結(jié)外鼻型NK/T細(xì)胞淋巴瘤診斷模型的構(gòu)建方法，其特征在于，

所述3D-CNN模型使用self-constrained 3D DenseNet（SC-DenseNet）模型算法，其采用端到端多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，由編碼器模塊及解碼器模塊組成。

4.根據(jù)權(quán)利要求3所述的一種結(jié)外鼻型NK/T細(xì)胞淋巴瘤診斷模型的構(gòu)建方法，其特征在于，

所述編碼器模塊由Denseblock_down和Transitionblock_down組成；

每個Denseblock_down包括幾個緊密連接的卷積層，每個卷積層是由BatchNormalization layer和Leaky Rectified Linear Unit激活；

Transitionblock_down由一個卷積層和一個池層組成。

5.根據(jù)權(quán)利要求4所述的一種結(jié)外鼻型NK/T細(xì)胞淋巴瘤診斷模型的構(gòu)建方法，其特征在于，

在所述解碼器模塊中加入一系列級聯(lián)和上采樣操作，通過分類任務(wù)可以獲得輸入三維圖像的全局信息；

對解碼器模塊的輸出進(jìn)行加權(quán)，得到語義分割任務(wù)的結(jié)果，建立相互制約的關(guān)系，得出兩個任務(wù)一致的結(jié)論。

6.根據(jù)權(quán)利要求5所述的一種結(jié)外鼻型NK/T細(xì)胞淋巴瘤診斷模型的構(gòu)建方法，其特征在于，

將鼻咽3D MRI輸入所述SC-DenseNet模型，通過二分類或三分類任務(wù)輸出NKTCL的概率；

若概率大于0.5的輸入鼻咽MRI則被視為NKTCL，同時語義分割任務(wù)輸出與輸入圖像分辨率相同的概率圖，自動勾勒出腫瘤區(qū)域。

7.一種結(jié)外鼻型NK/T細(xì)胞淋巴瘤預(yù)后模型的構(gòu)建方法，其特征在于，包括以下步驟：

S11、獲取結(jié)外鼻型NKTCL患者的MRI影像學(xué)診斷或者病理學(xué)診斷，得到影像學(xué)圖數(shù)據(jù)集，將影像學(xué)圖數(shù)據(jù)集分為訓(xùn)練集及內(nèi)部驗證集；

S22、構(gòu)建初始AI預(yù)后模型，采用訓(xùn)練集對初始AI預(yù)后模型進(jìn)行訓(xùn)練；

S33、收集患者的臨床數(shù)據(jù)資料以及生存數(shù)據(jù)資料，根據(jù)初始AI預(yù)后模型對患者M(jìn)RI影像學(xué)特征進(jìn)行賦分得出MRI-score，運(yùn)用統(tǒng)計學(xué)XGBoost方法或基于Cox回歸的nomogranm模型分析結(jié)外鼻型NKTCL的預(yù)后影響因素，并與其他預(yù)后模型對比；

S44、收集外部符合納入標(biāo)準(zhǔn)的結(jié)外鼻型NKTCL患者影像學(xué)圖、臨床數(shù)據(jù)資料以及生存數(shù)據(jù)資料，形成外部驗證集，將內(nèi)部驗證集和外部驗證集對初始AI預(yù)后模型進(jìn)行驗證，驗證后得到最終AI預(yù)后模型。