[发明专利]使用多级贝叶斯模型的用于精确肿瘤学的方法和系统

说明书

在一方面，本公开内容提供了一种系统，所述系统包括计算机处理器和其上存储有指令的存储装置，当由所述计算机处理器执行时，所述指令可操作为使所述计算机处理器：(i)接收对象的临床数据和用于所述对象的疾病或病症的一组治疗选项，其中所述一组治疗选项对应于具有未来不确定性的临床结局；(ii)访问包括经训练的机器学习模型的预测模块，所述经训练的机器学习模型至少部分地基于测试对象的临床数据来确定所述一组治疗选项的临床结局的概率预测；以及(iii)将所述预测模块至少应用于所述对象的所述临床数据，以确定所述一组治疗选项的临床结局的概率预测。

交叉引用

本申请要求于2020年6月4日提交的美国临时专利申请号63/034,578和于2020年10月21日提交的美国临时专利申请号63/094,478的权益，这两个申请中的每一个都通过引用以其全文并入本文。

背景技术

从事精确肿瘤学的医师可以整合来自出版物和来自其自身经验的大量信息。例如，截至2019年底，PubMed仅在过去一年报告了19,748篇与术语“乳腺癌”相匹配的出版物，而在ClinicalTrials.gov对开放、募集研究的相同搜索返回了1,937篇研究。因此，诸如肿瘤学家的从业者在阅读所有这些材料、确定哪些可能是最相关的、以及将全部数据综合成患者结局的相关预测时可能会面临挑战。

发明内容

肿瘤学家对抗不太常见的癌症可能是潜在地更糟糕的情况，但并非不堪重负，他们可能只有很少的相关出版物，并且可能只见过少量类似的病例。本文中，对患者输出的成功预测可能依赖于从类似但不完全相同的疾病状态的专家收集的先验信息。

重要的是，预测可能不是精确的科学。由于大量的未知因素，每个患者可能会有不同的反应；可能很难或者甚至不可能完全模拟患者和他们的疾病状态，或者患者和他们的治疗方案之间的整套相互作用。

对于一些癌症，诸如慢性髓性白血病，不确定性的水平可能相对较低；患者可能几乎普遍接受酪氨酸激酶受体抑制剂，并且响应特征可能是相对熟知的。但对于大多数癌症并且对于许多晚期癌症，未知变量的数量可能远远超过已知特征的数量。在这些情况下，来自未知变量的影响的总和可能超过来自已知治疗的影响。这可能需要概率推理，以便设计出有效合理的治疗策略。

因此，仍然需要自动智能系统和方法，其从诸如临床试验、病例系列、个体患者病例和结局数据以及专家意见的各种来源获取和构建知识，使得此类信息可以用于为给定患者预测对于给定的治疗，结局的可能范围随着时间可能是什么。此外，此类预测可以对查询系统以获得此类预测的医师或科学家进行解释；相比之下，提供答案而没有理由的“黑匣子”可能不会灌输信心。

鉴于上述需求，本公开内容提供了使用多级贝叶斯模型进行精确肿瘤学的系统和方法，其可以有效地解决医师在治疗患有复杂疾病病因(诸如癌症)的患者时所面临的挑战。本公开内容的系统和方法可以用于预测特定患者在不同治疗方案下的患者结局的各种度量。该系统和方法能够从各种范围的信息源学习，包括在随机化试验之外观察到的个体患者结局(换句话说，“真实世界证据”或RWE)以及其他来源，诸如专家调查和来自临床试验的汇总统计数据。学习过程可以经由训练模块发生，训练模块将学习循环中的该数据呈现给多级模型模块，该多级模型模块可以是贝叶斯模型和数据库的组合。

一旦多级模型模块以此类源数据为条件，其可以与预测模块结合使用，以预测在不同治疗选择下新患者的结局，并提供这些预测的不确定性的度量。这些预测在本质上可以是概率性的，因为它们代表了可能结局的分布(例如，与单个结局相反)。

关键进步可能是多级模型的结构与领域以及肿瘤学家可能预期的输入和输出的类型具有可理解的关系。这种结构可以帮助本公开内容的系统和方法的用户理解如何可以导出其中的预测和不确定性，而不是将结果视为“黑匣子”预测。这种可解释性水平例如对于依赖人工智能和机器学习的医疗装置的认证可能是至关重要的。