[发明专利]一种肺癌患者预后预测系统及方法

说明书

本发明公开了一种肺癌患者预后预测系统及方法，涉及神经网络。包括：标注模块，对数字病理图像进行标注获得标注图像；获取模块，获取与标注图像相对应的预后数据和生存时间；集合模块，将每个标注图像与预后数据和生存时间分别加入数据集合，生成训练数据组；分类模块，将训练数据组分成训练集和测试集；训练模块，将训练集进行训练获得肺癌患者预后预测模型；测试模块，将测试集输入到肺癌患者预后预测模型中得到相应的预测准确率；预测模块，用于将待检测患者的数字病理图像输入到肺癌患者预后预测模型，得到预测预后数据和预测生存时间。具有以下有益效果：医生根据预测结果制定治疗方案，提升治疗效果和延长生存时间。

技术领域

本发明涉及神经网络领域，尤其涉及一种肺癌患者预后预测系统及方法。

背景技术

中国最新癌症流行病学统计显示2015年新增肺癌病人73万，死亡病人60万，肺癌已成为中国发病率和死亡率均居于首位的癌症。肺癌死亡例数占总体癌症死亡例数的25％。由于肺癌的高复发风险和低存活率，绝大多数处于IB-IIIA期的肺癌病人都会进行术后辅助化疗。但基于病灶残留程度、淋巴结转移情况、癌症分期等参数，即使是同样的治疗方案，病人总体预后也会大不相同。近年来，临床医生一直致力于寻找肺癌有关的独立预后因素。肿瘤大小和病理分级、淋巴结是否转移、受累淋巴结的数目和部位以及是否存在基因突变等都被发现是与肿瘤预后有关的因素，准确评估这些因素可以帮助我们正确筛选出具有高复发转移倾向的预后不良现象，从而为患者提供更个性化的治疗方案，对提高肺癌的疗效具有重要意义。

组织病理学诊断依旧是癌症诊断的“金标准”，病理图像中富含大量预后信息，但并非所有的病理图像都具有特征性以便临床病理医师辨认，且仅从定性角度分析病理切片也很难准确预测患者的生存结果。而目前在医疗领域中，预后研究的方法最主要还是依赖常规统计学方法中的生存分析方法，包括了Kaplan-Meier法、Logistic回归、Cox回归等。但随着研究的深入，人们得到与肺癌预后相关的分子标记物的信息量越来越多，临床数据迅猛增加，常规的统计学方法已经无法适应当今巨大信息量的需要。

随着计算机技术的不断发展，人工智能技术在医疗领域的发展潜力已经不容忽视，机器学习、深度学习等算法模型已经开始应用于医学图像处理，可直接提取图像深层特征信息，并自动学习训练模型，从识别肿瘤区域到提取隐藏的肿瘤特征应用都十分广泛，其具有的自组织、自适应、自学习的能力和非线性、非定常性和非局域性的特点可以用来解决非线性的预后预测问题。其中最具有代表性的卷积神经网络模型(CNN)在完成肿瘤组织病理学分型、肺癌患者基因突变分析、淋巴结肿瘤转移细胞检测等任务中有不俗的表现。为寻找病理切片中更多的可视化特征，有证据支持利用卷积神经网络对各种恶性肿瘤的预后评估也具有一定的可行性，但目前以病理为依托，系统的针对肺癌患者预后预测的卷积神经网络算法模型还有待开发，本发明为了解决上述问题，开发了一种通过患者的数字病理图像，即可预测肺癌患者预后情况的预后预测系统。

发明内容

本发明为了解决上述问题，现提出一种肺癌患者预后预测系统，包括：

标注模块，用于对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将所述数字病理图像中的病灶区根据关联肺癌病情的图像特征进行标注获得标注图像；

获取模块，用于获取与所述标注图像相对应的所述肺癌患者按预设时间间隔随访得到的若干随访数据和一生存时间，并对所述随访数据处理得到预后数据；

集合模块，分别连接所述标注模块和所述获取模块，用于将每个所述标注图像和与所述标注图像相对应的所述预后数据和所述生存时间分别加入一数据集合，并根据各所述数据集合生成训练数据组；

分类模块，连接所述集合模块，用于将所述训练数据组中的各所述数据集合分成一训练集和一测试集；

训练模块，连接所述分类模块，用于将所述训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌患者预后预测模型；