[发明专利]一种基于人工智能的CTC图像识别方法和系统

说明书

本发明公开了一种基于人工智能的CTC图像识别方法和系统，所述方法使用预先建立的分类器进行CTC的自动化判读，包括以下步骤：输入临床样本的原始荧光图像；对所述临床样本的原始荧光图像进行图像前处理；输出临床样本单个细胞的图像和特征参数；采用预先建立的分类器自动化判读，筛选疑似CTC的细胞作为候选细胞，对候选细胞进行审核后，出具CTC报告，本发明还公开了分类器建立的方法和系统，使用人工标注的方法区分CTC，筛选CTC和WBC的特征参数，基于多种机器学习的算法建立多个初步分类器，并优化获得的分类器；本发明采用真实的临床循环肿瘤细胞建立训练集，系统性地对形态学参数进行筛选和验证，保证优化的分类器识别CTC的性能。

技术领域

本发明涉及循环肿瘤细胞识别技术领域，具体而言，涉及一种基于人工智能的荧光细胞图像识别技术，用于临床循环肿瘤细胞自动化检测。

背景技术

循环肿瘤细胞(Circulating Tumor Cell，CTC)指自发或因诊疗操作由实体瘤或转移灶释放进入外周血循环的肿瘤细胞，恶性肿瘤的侵袭转移是患者复发转移的关键环节，常导致肿瘤治疗失败，危及患者生命。由于入侵发生在肿瘤早期阶段，此时血液中的循环肿瘤细胞数量非常稀少，这意味着准确有效的循环肿瘤细胞识别与分析对于尽早地确诊肿瘤并采取有效的治疗措施具有重要意义。

通过免疫荧光染色来识别标有肿瘤标志物的CTC是一种常见的临床CTC检测方法，这种方法除了依赖于全自动扫描的荧光显微镜之外，还需要对扫描得到的荧光图像进行判读来识别临床样本中的 CTC。

现在临床CTC检测主要还是依赖专业人员对荧光图像进行人工判读，这种判读方式带来的问题包括不同操作人员间的判读误差、不同样本间的判读误差，以及判读效率不高等。现有的CTC判读方法还包括基于各形态学参数threshold的图像筛选，根据经验值，对CTC 的各形态学参数进行限定，设定固定threshold来筛选CTC；这个方式最大缺点是临床样本中CTC的形态各异，基于经验值设定threshold 的方式CTC筛选的灵敏度和特异性均很差。基于机器学习的CTC图像识别方法也在现有文献中有过报道，但现有方法还存在以下缺点：

(1)现有CTC图像识别方法中涉及的多个形态学参数没有系统性地筛选和比较，不同形态学参数集合会最终影响到识别的灵敏度、特异性等；

(2)现有CTC图像识别方法中分类器建立所使用的训练集不是来自于真实的临床CTC，而是采用的掺入肿瘤细胞系细胞在血液中来模拟CTC，基于这样的训练集训练出来的分类器，在临床CTC检测和识别的性能并不可靠；

(3)现有CTC图像识别方法中训练集由于是来自于肿瘤细胞系细胞，所以训练集的细胞比例(CTC和WBC的比例)并不能反映真实情况(实际经过富集后的临床样本中CTC与WBC比例为1:10³)，这样的训练集训练出来的分类器，无法保证对实际临床样本中极度不平衡的样本比例进行有效地识别；

(4)现有CTC图像识别方法只是简单地比较了几种常见的机器学习算法建立的分类器，对于CTC图像识别方法的性能的优化有限；

(6)现有CTC图像识别方法的泛化能力评估只是在极少量的临床样本中进行，并不能有效反映CTC图像识别方法的实际临床性能；

本专利通过开发基于机器学习的临床CTC图像识别方法和系统来完成对临床CTC图像高效、准确的判读，可以让机器通过对过往的CTC图像数据自我学习，来不断修正改善自身性能，可以有效地保证临床CTC图像识别的准确性，再由专业人员对筛选后的CTC图像进行终审来确认检测结果。

发明内容

本发明提供了一种基于人工智能的CTC图像识别方法和系统。

本发明中用到的技术名词和含义如下：