[发明专利]一种肿瘤淋巴结自动分期系统

说明书

本发明涉及一种肿瘤淋巴结自动分期系统，针对传统依靠影像科医生凭经验判断肿瘤淋巴结分期分重复性低、准确度不高等问题，提出一种肿瘤淋巴结自动分期系统，直接利用病理报告信息，自动分析转移淋巴结与非转移淋巴结在影像上的特征差异，不仅实现了将病理报告上的信息用于深度学习的模型训练，还通过3个通路里面的函数将对象的多个淋巴结图像的预测值整合，从而与对象的病报告上的标签分别对应，从而建立基于影像的淋巴结自动分期系统，准确度较高。

技术领域

本发明涉及一种基于影像学的肿瘤淋巴结影像标记物识别方法，属于影像标记物领域。

背景技术

恶性肿瘤严重影响人民健康和社会发展。其中，男性癌症发病率最高的部位分别为肺、胃和结直肠，女性为乳腺、肺和结直肠。大量研究已经证实，正确识别肿瘤TNM分期基础上的个体化精准治疗，能够有效降低多种癌症的死亡率。针对不同部位的癌症，术前精确的肿瘤TNM分期是实现个体化精准治疗的前提，其中，肿瘤淋巴结分期(N分期)的依据是有无淋巴结转移(Lymph Node Metastasis,LNM)以及淋巴结转移的位置与数量，淋巴结转移的金标准是术后病理组织学评估。以直肠癌为例，根据国际抗癌联盟(UICC)和美国肿瘤联合会(AJCC)联合制定的分期法，淋巴结分期(N分期)具体为：

N0：无淋巴结转移；

N1：1～3个淋巴结转移；

N2：≥4个淋巴结转移。

在术前通过影像学检查(如超声、CT、MRI等)判断肿瘤淋巴结分期是关系治疗方案选择和患者预后的决定性因素之一，正确识别对于彻底清除肿瘤、监测残留肿瘤活性和最大限度减少创伤具有重要意义。

然而，包括超声、CT、MRI在内的多种影像学人工检查所获得的淋巴结转移的总体正确诊断率仍普遍低于80％，实际临床工作中的正确率更低，对短径＜5mm的淋巴结转移临床正确诊断率尚不足40％，而后者是肿瘤复发和转移的重大隐患。通过医生人工阅片的方式开展基于影像学的淋巴结分期准确率低，其主要原因在于：(1)影像科医生的经验是准确诊断的重要影响因素；(2)肉眼观察对早期淋巴结转移的细微形态学改变常常难以识别；(3)转移性淋巴结常常与炎性淋巴结肿大、淋巴结反应性增生的形态学表现及血流灌注状态存在重叠；(4)对淋巴结转移的判断目前还缺乏统一的标准。目前对淋巴结转移的影像学人工检查效果均不理想，主要是因为转移淋巴结界定尚缺乏统一标准，医生很难同时利用多个特征做出最终的诊断。

随着计算机视觉、机器学习等人工智能技术，特别是深度学习的快速发展，利用计算机自动识别及判断有望降低人为因素对诊断结果的影响。首先，基于深度学习的模型训练需要大量样本，然而，由于淋巴结众多且尺寸大小不一，手术过程中难以靶向定位到术前影像标记淋巴结在人体组织的实际对应位置，因此难以获得模型训练所需的影像-病理一一对应的大样本数据。其次，现有技术所采用的深度学习的模型训练，所使用的标签仍然是医生主观判断的影像学诊断结果，即人工阅片标记每个淋巴结是否转移，而这一结果本身与病理报告的一致性较低，目前临床中术后病理报告已经能够给出患者整体是否淋巴结转移、淋巴结转移总数和病理分期结果，上述病理报告上的信息无法被用于深度学习的模型训练。

发明内容

本发明针对传统依靠影像科医生凭经验判断肿瘤淋巴结分期分重复性低、准确度不高等问题，提出一种肿瘤淋巴结自动分期系统，直接利用病理报告信息，自动分析转移淋巴结与非转移淋巴结在影像上的特征差异，实现肿瘤淋巴结分期中转移淋巴结的智能识别和自动分期。

一种肿瘤淋巴结自动分期系统包括：设计新型神经网络架构，构建损失函数，训练卷积神经网络模型自动挖掘淋巴结影像特征并综合比对，自动识别转移淋巴结。

优选地，包括以下步骤：

步骤一，在每个代表不同对象的影像上分别检测淋巴结位置，提取淋巴结区域的影像；