肺腺癌数据处理方法、系统、设备及计算机可读存储介质技术方案

本发明专利技术涉及肺腺癌数据处理方法、系统、设备及计算机可读存储介质。包括：获取肺腺癌患者的临床样本数据；提取所述临床样本数据的特征；基于所述特征对样本进行分类得到AAH/AIS/MIA组和IAC组的第一预分类结果；基于所述特征对样本进行分类得到AAH/AIS组和MIA/IAC组的第二预分类结果；对所述第一预分类结果中的IAC组和所述第二预分类中的AAH/AIS组样本进行再分类，所述再分类是基于所述特征对样本进行三分类得到AAH/AIS、MIA、IAC分类结果。本申请有效解决现有诊断模型对肺腺癌浸润性诊断准确性较低的问题，具有重要的临床应用价值。具有重要的临床应用价值。具有重要的临床应用价值。

【技术实现步骤摘要】
肺腺癌数据处理方法、系统、设备及计算机可读存储介质


[0001]本专利技术属于医疗数据处理
，具体涉及肺腺癌数据处理方法、系统、设备、计算机可读存储介质及其应用。

技术介绍

[0002]随着肺癌筛查在世界范围内的普及，更多的早期肺腺癌被发现，早期肺腺癌在CT上通常表现为磨玻璃肺结节。与实性结节相比，磨玻璃结节具有生长速度慢、淋巴结转移或远处转移概率低的特点，通常接受微创治疗。磨玻璃结节的预后及手术方式的选择主要取决于术中或术后病理的浸润性。而早期肺腺癌的浸润性鉴别诊断是术前评估的关键，决定着后续的临床处理方式。例如，对于非典型腺瘤样增生（AAH）、原位腺癌（AIS）等浸润前病变的预后较好，可通过随访确定最佳切除时机；对于微浸润腺癌（MIA）和浸润性腺癌（IAC）其预后较差，则需要立即积极干预。 因此，磨玻璃结节浸润性的精准无创诊断有助于术前临床决策， 但由于大的特征重叠，这是一项具有挑战性的任务。
[0003]目前，多项浸润性预测研究采用影像组学（提取图像特征中的大小和实体比例）方法和/或深度学习方法对定量高维图像信息进行建模来预测磨玻璃结节的浸润性，其预测性能低于多中心数据集中的高级放射科医生。现有的人工智能研究大多局限于利用计算机视觉新技术提高模型准确性，缺乏与早期肺腺癌浸润性密切相关的实质性考量，达到瓶颈并面临MIA诊断准确性较低的问题。

技术实现思路

[0004]本申请的目的在于，针对上述问题本申请提供一种肺腺癌数据处理方法、系统、设备、计算机可读存储介质及其应用，有效解决现有诊断模型对肺腺癌浸润性诊断准确性较低的问题 ，尤其是对MIA误判率高的问题。
[0005]根据本申请的第一方面，本申请提供了一种肺腺癌数据处理方法，其包括：获取肺腺癌患者的临床样本数据；提取所述临床样本数据的特征；基于所述特征对样本进行分类得到AAH/AIS/MIA组和IAC组的第一预分类结果；基于所述特征对所述AAH/AIS/MIA组进行分类得到包括AAH/AIS和MIA的第一分类结果；基于所述特征对样本进行分类得到AAH/AIS组和MIA/IAC组的第二预分类结果；基于所述特征对所述MIA/IAC进行分类得到包括MIA和IAC的第二分类结果；对所述第一预分类结果中的IAC组和所述第二预分类中的AAH/AIS组样本进行再分类，所述再分类是基于所述特征对样本进行三分类得到AAH/AIS、MIA、IAC分类结果；基于第一分类结果、第二分类结果和再分类结果输出样本为AAH/AIS、MIA或IAC的分类结果。
[0006]进一步，所述方法包括：
block模块、DFL模块和池化层，输入的影像样本数据依次经过卷积层、dense block模块、DFL模块和池化层，得到1024个结节相关的全局特征和局部细节特征。
[0012]所述融合模块采用下列方法中的任意一种或几种进行特征融合：硬投票融合、加权融合、stacking融合、blending融合。
[0013]进一步，所述提取放射组学特征的机器学习模型包括区域分割网络模块和特征提取模块，基于区域分割网络模块将影像样本数据进行分割得到感兴趣区域，基于特征提取模块将所述感兴趣区域进行特征提取得到放射组学特征；所述融合模块为多层神经网络分类器，将所述样本中结节的全局特征和局部细节特征、所述放射组学特征进行特征融合。
[0014]进一步，所述方法包括：获取的肺腺癌患者的影像样本数、患者的临床信息和/或基因信息；提前所述肺腺癌患者的影像样本数、患者的临床信息和/或基因信息的特征，所述特征包括影像组学特征、临床特征和/或基因组特征；基于所述特征对样本进行分类得到AAH/AIS/MIA组和IAC组的第一预分类结果；基于所述特征对所述AAH/AIS/MIA组进行分类得到包括AAH/AIS和MIA的第一分类结果；基于所述特征对样本进行分类得到AAH/AIS组和MIA/IAC组的第二预分类结果；基于所述特征对所述MIA/IAC进行分类得到包括MIA和IAC的第二分类结果；对所述第一预分类结果中的IAC组和所述第二预分类中的AAH/AIS组样本进行再分类，所述再分类是基于所述特征对样本进行三分类得到AAH/AIS、MIA、IAC分类结果；基于第一分类结果、第二分类结果和再分类结果输出样本为AAH/AIS、MIA或IAC的分类结果。
[0015]进一步，所述方法包括：获取肺腺癌患者的临床样本数据；提取所述临床样本数据的特征；基于所述特征中的无浸润性特征对样本进行分类得到AAH/AIS/MIA组和IAC组的第一预分类结果；基于所述特征中的浸润性特征对所述AAH/AIS/MIA组进行分类得到包括AAH/AIS和MIA的第一分类结果；基于所述特征中的浸润性特征对样本进行分类得到AAH/AIS组和MIA/IAC组的第二预分类结果；基于所述特征中的无浸润性特征对所述MIA/IAC进行分类得到包括MIA和IAC的第二分类结果；对所述第一预分类结果中的IAC组和所述第二预分类中的AAH/AIS组样本进行再分类，所述再分类是基于所述特征对样本进行三分类得到AAH/AIS、MIA、IAC分类结果。
[0016]可选的，所述基于影像组学特征对样本进行分类得到AAH/AIS/MIA组和IAC组的第一预分类结果为采用第一分类器基于影像组学特征对样本进行分类，所述第一分类器的训练过程包括：获取肺腺癌患者的训练样本影像数据及标签，第一标签为AAH/AIS/MIA组，第二标签为IAC组；将所述影像样本数据输入深度学习算法模型提取影像组学特征；将所述影像组学特征输入分类器中得到初步分类结果将所述初步分类结果和标签进行损失计算得到损失值，根据损失值优化所述分类器，得到训练好的第一分类器；可选的，所述基于影像组学特征对样本进行分类得到AAH/AIS组和MIA/IAC组的第二预分类结果为采用第二分类器基于影像组学特征对样本进行分类，所述第二分类器 的
训练过程包括：获取肺腺癌患者的训练样本影像数据及标签，第一标签为AAH/AIS组，第二标签为MIA/IAC组；将所述影像样本数据输入深度学习算法模型提取影像组学特征；将所述影像组学特征输入分类器中得到初步分类结果将所述初步分类结果和标签进行损失计算得到损失值，根据损失值优化所述分类器，得到训练好的第二分类器；可选的，所述再分类是基于影像组学特征对样本进行多分类得到AAH/AIS、MIA、IAC分类结果为采用第三分类器 基于影像组学特征对样本进行分类，所述第三分类器的训练过程包括：获取肺腺癌患者的训练样本影像数据及标签，第一标签为AAH/AIS组，第二标签为MIA组，第三标签为IAC组；将所述影像样本数据输入深度学习算法模型提取影像组学特征；将所述影像组学特征输入分类器中得到初步分类结果将所述初步分类结果和标签进行损失计算得到损失值，根据损失值优化所述分类器，得到训练好的第三分类器。
[0017]一种肺腺癌数据处理系统，所述系统包括机器可读程序指令，所述机器可读程序指令被处理器执行时，用于执行实现上述的肺腺癌数据处理方法。
[001本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺腺癌数据处理方法，其特征在于，所述方法包括：获取肺腺癌患者的临床样本数据；提取所述临床样本数据的特征；基于所述特征对样本进行分类得到AAH/AIS/MIA组和IAC组的第一预分类结果；基于所述特征对所述AAH/AIS/MIA组进行分类得到包括AAH/AIS和MIA的第一分类结果；基于所述特征对样本进行分类得到AAH/AIS组和MIA/IAC组的第二预分类结果；基于所述特征对所述MIA/IAC进行分类得到包括MIA和IAC的第二分类结果；对所述第一预分类结果中的IAC组和所述第二预分类中的AAH/AIS组样本进行再分类，所述再分类是基于所述特征对样本进行三分类得到AAH/AIS、MIA、IAC分类结果；基于第一分类结果、第二分类结果和再分类结果输出样本为AAH/AIS、MIA或IAC的分类结果。2.根据权利要求1所述的肺腺癌数据处理方法，其特征在于，所述临床样本数据为影像样本数据，提取所述影像样本数据的影像组学特征；基于所述影像组学特征对样本进行分类得到AAH/AIS/MIA组和IAC组的第一预分类结果；基于所述影像组学特征对所述AAH/AIS/MIA组进行分类得到包括AAH/AIS和MIA的第一分类结果；基于所述影像组学特征对样本进行分类得到AAH/AIS组和MIA/IAC组的第二预分类结果；基于所述影像组学特征对所述MIA/IAC进行分类得到包括MIA和IAC的第二分类结果；对所述第一预分类结果中的IAC组和所述第二预分类中的AAH/AIS组样本进行再分类，所述再分类是基于所述影像组学特征对样本进行三分类得到AAH/AIS、MIA、IAC分类结果；基于第一分类结果、第二分类结果和再分类结果输出样本为AAH/AIS、MIA或IAC的分类结果。3.据权利要求2所述的肺腺癌数据处理方法，其特征在于，所述提取所述影像样本数据的影像组学特征为将所述影像样本数据输入深度学习算法模型提取影像组学特征，所述深度学习算法模型包括添加判别式滤波器学习模块的深度学习模型、提取放射组学特征的机器学习模型及融合模块，所述判别式滤波器学习模块用于提取结节细节特征，所述影像样本数据输入添加判别式滤波器学习模块的深度学习模型提取得到样本中结节的全局特征和局部细节特征；所述影像样本数据输入提取放射组学特征的机器学习模型得到放射组学特征；所述融合模块将所述样本中结节的全局特征和局部细节特征、所述放射组学特征进行特征融合。4.根据权利要求2所述的肺腺癌数据处理方法，其特征在于，获取的肺腺癌患者的影像样本数、患者的临床信息和/或基因信息；提前所述肺腺癌患者的影像样本数、患者的临床信息和/或基因信息的特征，所述特征包括影像组学特征、临床特征和/或基于特征；基于所述特征对样本进行分类得到AAH/AIS/MIA组和IAC组的第一预分类结果；基于所述特征对所述AAH/AIS/MIA组进行分类得到包括AAH/AIS和MIA的第一分类结果；基于所述特征对样本进行分类得到AAH/...

【专利技术属性】
技术研发人员：宋兰，胡歌，朱振宸，金征宇，周振，潘政松，谭卫雄，
申请(专利权)人：中国医学科学院北京协和医院，
类型：发明
国别省市：