[发明专利]一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法

说明书

本发明提供一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法，包括：数据获取模块，获取早期肺癌患者的第一肺部断层扫描影像和真实肿瘤突变负荷，晚期肺癌患者的第二肺部断层扫描影像和临床生存数据；第一处理模块，采用预设的标注框进行标注得到第一肺部标注影像和第二肺部标注影像；将各第一肺部标注影像及真实肿瘤突变负荷加入第一数据集合；模型训练模块，根据第一数据集合训练得到肿瘤突变负荷预测模型；第二处理模块，将各第二肺部标注影像输入肿瘤突变负荷预测模型得到预测肿瘤突变负荷；根据各临床生存数据进行生存分析得到生存分析曲线，并处理得到预测肿瘤突变负荷的分布曲线与生存分析曲线的相似度。有效提升预测准确性且节约成本。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法。

背景技术

肺癌是全球癌症相关死亡的首要病因。在肺癌的治疗中，新型免疫检查点抑制剂能够引发持久的抗肿瘤效应。然而，对于晚期肺癌，只有少部分患者能对免疫检查点抑制剂产生反应，获得预期的抗肿瘤效果。因此，在接受免疫治疗前，精准预测患者临床反应性，明确免疫治疗获益人群对于晚期肺癌的治疗至关重要。

当前，许多生物标记物已被证实与免疫治疗疗效存在相关性，如程序性死亡受体-1(PD-L1)表达，肿瘤浸润淋巴细胞和炎症细胞因子等，但其预测效果不够理想，无法满足晚期肺癌精准治疗的需要。随着第二代测序技术的发展，肿瘤突变负荷(TMB)成为肺癌领域的研究热点，通过检测患者的TMB水平，能够实现对免疫治疗反应性的有效预测。然而，TMB水平的评估需要行肿瘤细胞活检这一有创性操作，且后续一系列实验室检测需消耗大量时间和精力，无法满足临床需求。因此，构建一种无创的生物标记物评估晚期肺癌患者的TMB水平进而预测免疫治疗反应性具有极高的临床价值。

影像组学是一种对肿瘤特征进行定量分析的无创性工具，能够挖掘出人眼无法识别的肿瘤内部深度影像信息。相关研究表明，基于影像组学，可以实现对肿瘤辅助诊断，治疗方式指导及预后评估。此外，已有研究证实，处于不同免疫治疗周期患者的肿瘤CT图像特征存在显著的差异，这为影像组学预测免疫治疗获益提供了可能。

但传统的影像组学仍存在以下问题；1)需要手工或半自动获取靶病灶的体积，具有客观存在误差且需要耗费大量的精力；2)仅提取肿瘤病灶本身的特征，病灶周边影像组学特征可以反映肿瘤微环境的特点，其在肿瘤预后评估工作中也具有重要意义。随着计算机硬件设备的飞跃式发展以及大数据时代的到来，深度学习技术可以实现对图像深层特征的直接提取，并自动训练模型。推动了影像组学的进一步发展。目前，已有研究基于深度学习技术提取影像组学特征，评估肿瘤TMB水平在免疫治疗反应性中的价值。但是，尚无研究探索其在晚期肺癌接受免疫检查点抑制剂治疗的患者中的疗效预测意义。

发明内容

针对现有技术中存在的问题，本发明提供一种晚期肺癌患者的肿瘤突变负荷的预测系统，具体包括：

数据获取模块，所述数据获取模块包括：

第一获取单元，用于获取若干早期肺癌患者的包含病灶区域的第一肺部断层扫描影像，以及所述病灶区域关联的真实肿瘤突变负荷；

第二获取单元，用于获取若干晚期肺癌患者进行免疫治疗前的包含所述病灶区域的第二肺部断层扫描影像，以及各所述晚期肺癌患者的进行所述免疫治疗后的临床生存数据；

第一处理模块，连接所述数据获取模块，所述第一处理模块包括：

影像标注单元，用于采用预设的标注框分别对各所述第一肺部断层扫描影像和各所述第二肺部断层扫描影像中的所述病灶区域进行标注，得到第一肺部标注影像和第二肺部标注影像；

数据整合单元，连接所述影像标注单元，用于将各所述第一肺部标注影像以及关联的所述真实肿瘤突变负荷加入一第一数据集合，并将各所述第二肺部标注影像以及对应的所述临床生存数据加入一第二数据集合；