[發明專利]基于深度學習的乳腺癌放療敏感性預測方法及其系統

在審

• 申請號: 202210604915.8
• 申請日: 2022-05-30
• 公開（公告）號: CN114983342A
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 夏俊峰;董超;賓艷南;吳李君
• 申請（專利權）人: 安徽大學
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61N5/10;G06N3/04;G06N3/08;G16B20/30;G16H50/20
• 代理公司: 合肥匯融專利代理有限公司 34141
• 代理人: 趙宗海

1.一種基于深度學習的乳腺癌放療敏感性預測方法，其特征在于，包括以下過程：

從TCGA數據庫中獲取接受放療的女性乳腺癌患者的組織病理圖像數據以及miRNA數據；

將獲取的組織病理圖像數據以及miRNA數據進行篩選，去除生存時間少于30天的樣本，并根據三年生存時間分別劃分為正、負樣本數據集；

從正、負樣本數據集中提取組織病理圖像特征和miRNA數據特征；

根據組織病理圖像特征和miRNA數據特征構建放療敏感性預測模型；

從患者樣本中提取組織病理圖像特征與miRNA數據特征并將其輸入到放療敏感性預測模型中進行預測并判斷患者是否具有放療敏感性。

2.根據權利要求1所述的乳腺癌放療敏感性預測方法，其特征在于：正、負樣本數據集的劃分包括：

根據三年生存時間，將接受放療的女性乳腺癌患者劃分為長生存期患者和短生存期患者；

經過放療后生存時間超過3年的長生存期患者標記為1，即為正樣本數據集；

經過放療后生存時間低于3年的短生存期患者標記為0，即為負樣本數據集。

3.根據權利要求1所述的乳腺癌放療敏感性預測方法，其特征在于：在提取組織病理圖像特征和miRNA數據特征后還包括：使用StandardScaler方法對組織病理圖像特征和miRNA數據特征進行了標準化處理轉化成正態分布。

4.根據權利要求1所述的乳腺癌放療敏感性預測方法，其特征在于：從正、負樣本數據集中提取組織病理圖像特征包括以下過程：

將正、負樣本數據集中的組織病理圖像進行分割，每一個患者的組織病理圖像被分割成若干個組織病理圖像子塊；

舍棄組織病理圖像中組織區域占比低于70％的組織病理圖像子塊；

使用Skimage庫中的LBP函數從若干個組織病理圖像子塊中提取若干個10維度的特征向量；

將若干個10維度的特征向量組成一個特征矩陣，并對每一列去中值；

從特征矩陣中提取一個10維度的LBP紋理特征向量的組織病理圖像特征。

5.根據權利要求4所述的乳腺癌放療敏感性預測方法，其特征在于：組織病理圖像子塊的大小為1024×1024。

6.根據權利要求1所述的乳腺癌放療敏感性預測方法，其特征在于：采用差異表達分析作為從正、負樣本數據集中提取miRNA數據特征的提取方法，其過程包括：

通過R包DESeq2(|log2 fold change|1 and P0.05)對正、負樣本數據集中的miRNA進行分析，最終獲得13個差異表達的miRNA數據特征。

7.根據權利要求1所述的乳腺癌放療敏感性預測方法，其特征在于：在構建放療敏感性預測模型這一過程中，還包括：

將組織病理圖像特征和miRNA數據特征分別輸入到兩個完全相同的雙向長短期記憶網絡中，并將經過雙向長短期記憶網絡編碼后的組織病理圖像特征和miRNA數據特征進行拼接；

采用批歸一化方法對拼接組合后的組織病理圖像特征和miRNA數據特征進行歸一化處理；

采用注意力機制對歸一化處理后的組織病理圖像特征和miRNA數據特征進行權重分配；

將經過權重分配加權后的組織病理圖像特征和miRNA數據特征輸入到三層的神經網絡中，得到放療敏感性預測模型。

8.根據權利要求1或7所述的乳腺癌放療敏感性預測方法，其特征在于：在構建放療敏感性預測模型這一步驟中，還包括：

采用五折交叉驗證的方法將正、負樣本數據集隨機劃分為訓練集和驗證集；

將訓練集輸入至放療敏感性預測模型中進行訓練；

將驗證集輸入至放療敏感性預測模型中進行參數調整，最終獲取最優的放療敏感性預測模型。