【技术实现步骤摘要】
本专利技术属于医学图像处理及计算机视觉，具体涉及一种基于组织病理学图像的食管鳞癌共识分子亚型分类系统。
技术介绍
1、食管鳞状细胞癌（escc）是一种常见但高度异质性的恶性肿瘤，其治疗反应和预后因患者之间的差异而变化。目前，临床上已经提出了多种escc分类系统，试图解析其异质性并指导治疗策略的制定。传统上，escc的分类主要依赖于组织形态学特征，如细胞形态和组织结构，而这种分类方法往往存在主观性和局限性。
2、近年来，随着计算机视觉和深度学习技术的发展，基于组织学图像的计算机辅助诊断（cad）系统逐渐成为研究的热点。这些系统可以自动从组织切片图像中提取特征，并利用机器学习算法对肿瘤进行分类和分析，从而提高了诊断的准确性和效率。然而，目前基于组织学图像的escc亚型分类系统仍面临着挑战。首先，现有的系统往往只使用少量的特征进行分类，无法充分表征肿瘤的异质性。其次，这些系统缺乏统一的标准和可靠的验证方法，导致分类结果的不稳定性和可靠性不高。因此，需要一种更加综合和可靠的基于组织学图像的escc分类系统，以更好地指导临床治疗和预后评估。
技术实现思路
1、本专利技术提供了一种基于组织病理学图像的食管鳞癌共识分子亚型分类系统。该分类系统为imecms，首先利用深度学习从h&e染色的组织学图像中分辨出八类组织类型，包括背景（back）、结缔组织（con）、鳞状上皮（epi）、腺体（gla）、淋巴细胞（lym）、平滑肌（mus）、癌相关基质（str）和肿瘤（tum），然后根
2、本专利技术使用深度学习从自动标定的h＆e染色切片图像中量化的空间组织特征。通过多个独立队列，展示了利用imecms进行escc亚型分型的强大潜力，该分型基于组织病理学图像，是临床实践中常见的数据类型，可以轻松地从活体组织样本中获取。相比之下，多组学数据需要额外的样本处理和实验步骤，可能会受到技术变异性、实验条件等因素的影响。图像分型方法可以直接应用于常规的组织病理学诊断流程中，具有更好的普适性和可靠性。
3、本专利技术由如下技术方案实现的：一种基于组织病理学图像的食管鳞癌共识分子亚型分类系统，该分子亚型分类系统为4个，分别为：ecms1、ecms2、ecms3、ecms4；特征为：ecms1：代谢通路异常，nfe2l2激活，选用药物为nfe2l2抑制剂；ecms 2：肿瘤经典信号通路上调，甲基化程度低；ecms 3：拷贝数变异事件少，肿瘤突变负荷低，pd-1高表达，对免疫抑制剂治疗获益；ecms 4：上皮间质转化通路激活。
4、进一步的，该分类系统的获得方法为：
5、空间组织特征提取：利用深度学习，基于食管鳞癌组织学图像自动勾画的结果，从h&e染色的组织学图像中分辨出八类组织类型，包括背景back、结缔组织con、鳞状上皮epi、腺体gla、淋巴细胞lym、平滑肌mus、癌相关基质str和肿瘤tum，然后根据组织病理学图像的八类组织分布提取多种空间组织特征sofs，包括一阶特征、二阶特征和高阶特征在内的多尺度空间组织特征；利用随机森林算法结合所提取的空间组织特征，用于escc亚型分类的随机森林分类器，并在大规模的独立队列上验证了其准确性。
6、该分类系统的具体获得方法为：
7、（1）空间组织特征提取：针对待分类的样本组织病理学图像进行采集和自动勾画：利用深度学习从h&e染色的组织学图像中分辨出八类组织类型，选取两个队列sxm-i和sxm-ii，其中sxm-i队列中每个样本包括多个标注好的组织病理学切片的组织类型自动勾画结果及多组学数据的分子亚型分型结果ecms1-4，用于分子亚型分类模型的构建以及训练；sxm-ii队列中每个样本包括多个所标注好的组织病理学切片的组织类型自动勾画结果及相应的临床生存信息用于模型的验证；提取了包括一阶特征、二阶特征以及高阶特征在内的多种空间组织特征，具体如下：
8、a、表示八种组织类型分布的一阶特征：通过八种组织类型占总组织的比例来量化；
9、b、整体sofs：通过计算每种组织类型在肿瘤内部、肿瘤近端、肿瘤远端区域以及整个切片图像中的四部分相对比例来计算；首先基于高斯混合模型拟合各类组织分布距离肿瘤区域质心的距离，将整张组织病理学图像分为肿瘤内部、肿瘤近端、肿瘤远端区域三类分布；四部分区域的sofs随后通过将被分类为相应类别的组织块的比例与整张组织病理学图像中总组织块数的比率来量化；
10、c、组织内分散指数wcdi，是在一定范围内区域分散的度量，定义如下：；其中，a表示特定类型组织块的集合； d(i,j)表示组织块 i和 j之间的欧氏距离，位于 i的邻域内；
11、d、代表不同类型组织间相互作用的二阶特征：肿瘤-基质、肿瘤-淋巴细胞相互作用：
12、对于每个肿瘤组织块，计算肿瘤与非肿瘤组织间的成对组织相互作用，这些交互作用被定义为每个roi中分配给不同组织类型的非肿瘤组织块的相对比例；
13、计算群间分散指数bcdi，衡量两种不同类型组织间整体距离，定义如下：；其中， a和 b代表两种不同类型的组织； na和 nb分别是这两种组织的组织块数量； d(i, j)表示基于组织 a的第 i个组织块和组织 b的第 j个组织块的坐标计算的欧氏距离；
14、e、代表区域/全局多样性的高阶特征：
15、空间多样性指数（sdi）是一种用于量化各种细胞/组织类型空间异质性程度的生态统计量，计算方式如下：，其中，m是组织类型的数量，pi是属于第i种组织类型的图像块的比例；
16、kullback-leibler散度（kld）用于量化由于与患者整体单个细胞表型分布的差异而确定的核内异质性；roi内的核内异质性通过计算来自roi的组织类型分布即每种组织类型的比例到wsi中所有roi的平均组织类型分布的kld来近似；
17、morisita-horn相似性指数（m-h指数）用于量化wsi中肿瘤与其他类型组织共在程度的生态学测量；空间相关性通过使用皮尔逊相关性和morisita-horn的相似性指数来计算，其中每个roi中的肿瘤和其他类型组织的数量，和分别表示多边形i中其他类型组织和肿瘤的比例：；
18、纹理特征包括灰度共生矩阵glcm、灰度运行长度矩阵glrlm和灰本文档来自技高网...
【技术保护点】
1.一种基于组织病理学图像的食管鳞癌共识分子亚型分类系统，其特征在于：该分子亚型分、类系统为4个，分别为：ECMS1、ECMS2、ECMS3、ECMS4；特征为：ECMS 1：代谢通路异常，NFE2L2激活，选用药物为NFE2L2抑制剂；ECMS 2：肿瘤经典信号通路上调，甲基化程度低；ECMS 3：拷贝数变异事件少，肿瘤突变负荷低，PD-1高表达，对免疫抑制剂治疗获益；ECMS4：上皮间质转化通路激活。
2.根据权利要求1所述的基于组织病理学图像的食管鳞癌共识分子亚型分类系统，其特征在于：该分类系统的获得方法为：
3.根据权利要求2所述的一种基于组织病理学图像的食管鳞癌共识分子亚型分类系统，其特征在于：该分类系统的具体获得方法为：
4.根据权利要求3所述的所述的一种基于组织病理学图像的食管鳞癌共识分子亚型分类系统，其特征在于：多张切片中均存在ECMS4的被分类为ECMS4亚型。
5.根据权利要求2所述的所述的一种基于组织病理学图像的食管鳞癌共识分子亚型分类系统，其特征在于：对基于随机森林的ESCC分子亚型分类模型进行训练和验证，使
6.一种计算机可读存储介质，其上存储有计算机程序，当由计算机执行时，使计算机实施如权利要求1所述的基于组织病理学图像的食管鳞癌共识分子亚型分类系统。
...【技术特征摘要】
1.一种基于组织病理学图像的食管鳞癌共识分子亚型分类系统，其特征在于：该分子亚型分、类系统为4个，分别为：ecms1、ecms2、ecms3、ecms4；特征为：ecms 1：代谢通路异常，nfe2l2激活，选用药物为nfe2l2抑制剂；ecms 2：肿瘤经典信号通路上调，甲基化程度低；ecms 3：拷贝数变异事件少，肿瘤突变负荷低，pd-1高表达，对免疫抑制剂治疗获益；ecms4：上皮间质转化通路激活。
2.根据权利要求1所述的基于组织病理学图像的食管鳞癌共识分子亚型分类系统，其特征在于：该分类系统的获得方法为：
3.根据权利要求2所述的一种基于组织病理学图像的食管鳞癌共识分子亚型分类系统，其特征在于：该分类系统的具体获得方法为：
4.根据权利要求3所述的所述的一种基于组织病理学图像的食管鳞癌共识分子亚型分...
【专利技术属性】
技术研发人员：崔永萍，王鑫，崔鹤洋，张英涵，成晓龙，齐林，
申请(专利权)人：山西医科大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。