【技术实现步骤摘要】
本专利技术具体涉及人工智能医疗领域，具体而言涉及一种基于人工智能的gist靶向药物类型选择预测方法及系统。
技术介绍
1、胃肠道间质瘤(gastrointestinal stromal tumor，gist)是较为罕见的胃肠道肿瘤，占所有胃肠道恶性肿瘤的0.1％-0.3％，在胃肠道来源于间叶组织的肿瘤中，gist最为常见，约占80％。gist对传统放、化疗不敏感，但酪氨酸酶抑制剂(tki)伊马替尼可达到治疗的目的。根据中国胃肠道间质瘤诊断治疗共识(2022年版本)，当肿瘤大于2cm时，首选手术治疗，但如若患者术前评估难以达到r0切除标准时(切缘无肿瘤细胞)、需联合脏器切除、可完整切除但手术风险较大者，应考虑伊马替尼新辅助治疗，若是对伊马替尼不敏感的pdgfra18号外显子突变时，推荐阿伐替尼进行新辅助化疗。随着对肿瘤分子机理的深入研究和靶向药物的开发和临床应用，分子靶向治疗取得重要进展。nccn及esmo(欧洲肿瘤内科协会)gist诊疗指南同时推荐，当gist患者伴随c-kit及pdgfra突变时，伊马替尼可作为局部进展期、复发及转移性gist治疗的一线标准治疗方案，如若是pdgfra的18号外显子突变或非c-kit突变时，患者可能从伊马替尼难以获益。伊马替尼是c-kit和pdgfra的分子靶向抑制剂，使gist的治疗取得了突破性进展，可显著改善患者生存质量。所以明确gist患者的靶向药物选择与否及药物类型选择对临床治疗方案选择具有重要意义。
2、目前在检测c-kit及pdgfra基因突变的常用检测方法中，以直接测序
技术实现思路
1、在
技术实现思路
部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本专利技术的
技术实现思路
部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
2、本专利技术的目的在于提供一种基于人工智能的gist靶向药物类型选择预测方法及系统，以解决上述
技术介绍
中提出的基于胃肠道间质瘤组织病理学图像预测患者靶向药物类型选择的辅助预测系统迄今未见研究的问题。
3、根据本申请一方面，提供了一种基于人工智能的gist靶向药物类型选择预测方法，所述方法包括：获取目标对象的组织病理切片的数字病理图像，将所述数字病理图像输入gist靶向药物类型选择预测模型，得到与所述数字病理图像对应的靶向药物类型预测结果，其中，所述gist靶向药物类型选择预测模型的生成方法包括：
4、获取用于模型训练的组织病理切片的数字病理图像，将所述数字病理图像切割为若干分块图像和获取对应的位置信息，将所述分块图像关联伪标签后输入特征提取网络，并利用弱监督特征学习训练特征提取网络，以得到特征提取器，所述特征提取器提取所有分块图像的特征；
5、将所述特征和所述位置信息输入神经网络模型中进行训练，得到gist靶向药物类型选择预测模型；
6、其中，将所述特征和所述位置信息输入神经网络模型中进行训练，得到gist靶向药物类型选择预测模型，包括：
7、利用选择性状态空间模块对所述特征进行处理，以实现特征间的信息交互，并利用基于注意力模块的聚合模块进行特征聚合，以得到描述整张数字病理图像的第一全局特征；
8、在训练阶段，通过注意力模块计算所有的分块图像特征的注意力分数，根据所述注意力分数，选取最高的多个注意力分数对应的分块图像视为高响应分块图像；将所述高响应分块图像的位置信息输入动态局部区域生成器，以得到非固定形状的特征区域，利用所述选择性状态空间模块对所述特征区域进行处理，以得到数字病理图像的第二全局特征；
9、分别计算所述第一全局特征与所述第二全局特征的一致性，以得到散度损失，所述散度损失与交叉熵损失函数用于一起通过反向传播优化整个网络，通过循环迭代训练得到最终的gist靶向药物类型选择预测模型。
10、作为本专利技术进一步的方案：所述将所述数字病理图像切割为若干分块图像和获取对应的位置信息，包括：
11、将所述数字病理图像通过窗口滑动的方式切割成无重复、无固定大小并去除背景的分块图像，以得到分块后的组织病理全切片的数字病理图像其中xi是数据集d的第i张病理全切片图像，表示第i张病理全切片图像中第j个分块图像，表示第i张病理全切片图像中第j个分块图像的坐标，包含所在的行和列的信息,n是第i张病理全切片图像中分块图像的数量；
12、获取带有标签的组织病理全切片图像的数据集d，所述数据集d包括组织病理全切片的数字病理图像以及与组织病理切片病变类别相关联的靶向药物选择类别标签；
13、所述数据集d＝{(x1,y1),(x2,y2),…,(xi,yi),…,(xm,ym)}，其中，xi表示数据集中第i个组织病理全切片的数字病理图像，yi表示的是数据集中第i个组织病理切片的靶向药物选择类别标签，m表示数据集d中组织病理切片的样本数。
14、作为本专利技术再进一步的方案：所述将所述分块图像关联伪标签后输入特征提取网络，并利用弱监督特征学习训练特征提取网络，以得到特征提取器，包括：
15、将所述分块图像关联伪标签，将带有伪标签的分块图像组成特征提取网络预训练数据集，其中，伪标签与分块图像的组织病理切片标签相同，所述组织病理切片标签表示组织病理切片的病变类别，其与靶向药物选择类别相关联；
16、将所述特征提取网络预训练数据集输入所述特征提取网络进行训练，生成gist靶向药物类型选择预测方法的特征提取器。
17、作为本专利技术再进一步的方案：所述特征提取网络包括query分支和key分支；
18、所述query分支由一个编码器fq和一个投影器pq组成，编码器fq和投影器pq由参数θq定义；
19、所述key分支与所述query分支具有相同的结构，key分支由一个编码器fk和一个投影器pk组成，编码器和投影器由参数θk定义，key分支的参数θk由query分支的参数θq基于指数移动平均机制更新，指数移动平均机制为：θk←mθq+(1-m)θk,m∈(0,1)。
20、作为本专利技术再进一步的方案：所述将所述特征提取网络预训练数据集输入所述特征提取网络进行训练，生成gist靶向药物类型选择预测方法的特征提取器，包括：
21、采用不同的数据增强方法对所述分块图像进行处理得到两个增强视图，为每个组织病理切片病变类别构建一个存储队列，在所述存储队列本文档来自技高网...
【技术保护点】
1.一种基于人工智能的GIST靶向药物类型选择预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的选择预测方法，其特征在于，所述将所述数字病理图像切割为若干分块图像和获取对应的位置信息，包括：
3.根据权利要求1所述的选择预测方法，其特征在于，所述将所述分块图像关联伪标签后输入特征提取网络，并利用弱监督特征学习训练特征提取网络，以得到特征提取器，包括：
4.根据权利要求3所述的选择预测方法，其特征在于，
5.根据权利要求4所述的选择预测方法，其特征在于，所述将所述特征提取网络预训练数据集输入所述特征提取网络进行训练，生成GIST靶向药物类型选择预测方法的特征提取器，包括：
6.根据权利要求5所述的选择预测方法，其特征在于，采用两种不同的数据增强方法对所述分块图像进行处理，得到两个不同的增强视图vq和vk，将增强视图vq和vk送入query分支和key分支，分别通过所述编码器处理得到编码特征z1和z2，再通过所述投影器得到增强视图vq的特征向量q和增强视图vk的特征向量k。
7.根据权利要求5所述的选
8.根据权利要求1所述的选择预测方法，其特征在于，所述特征提取网络优化完成后得到GIST靶向药物类型选择预测方法的特征提取器，包括：
9.根据权利要求1所述的选择预测方法，其特征在于，所述利用选择性状态空间模块对所述特征进行处理，以实现特征间的信息交互，并利用基于注意力模块的聚合模块进行特征聚合，以得到描述整张数字病理图像的第一全局特征，包括：
10.一种基于人工智能的GIST靶向药物类型选择预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于人工智能的gist靶向药物类型选择预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的选择预测方法，其特征在于，所述将所述数字病理图像切割为若干分块图像和获取对应的位置信息，包括：
3.根据权利要求1所述的选择预测方法，其特征在于，所述将所述分块图像关联伪标签后输入特征提取网络，并利用弱监督特征学习训练特征提取网络，以得到特征提取器，包括：
4.根据权利要求3所述的选择预测方法，其特征在于，
5.根据权利要求4所述的选择预测方法，其特征在于，所述将所述特征提取网络预训练数据集输入所述特征提取网络进行训练，生成gist靶向药物类型选择预测方法的特征提取器，包括：
6.根据权利要求5所述的选择预测方法，其特征在于，采用两种不同的数据增强方法对所述分块图像进行处理，得到两个不...
【专利技术属性】
技术研发人员：吴海波，孔雪，王伟，程岚卿，
申请(专利权)人：安徽省立医院中国科学技术大学附属第一医院，
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。