[发明专利]融合组织病理图像和CT影像的PDL1表达水平检测方法

说明书

融合组织病理图像和CT影像的PDL1表达水平检测方法，本发明涉及PDL1表达水平检测中，对单一特征进行预测效果不佳的问题。PDL1表达水平对患者治疗方法的选取有着至关重要的作用。然而免疫组织化学(IHC)检测不仅耗时，而且不能反映动态PD‑L1表达，同时手工提取放射特征也存在着一些问题：对ROI进行分割时，往往存在视觉差异不明显现象，其不仅耗时而且对不同勾画者的可变性极其敏感。为了解决以上问题，本发明提出了一种融合组织病理图像和CT影像的PDL1表达水平检测方法，该方法能有效地本发明应用于PDL1表达水平检测。

技术领域

本发明设计融合组织病理图像和CT影像的PDL1表达水平检测方法

背景技术

肺癌是全球癌症死亡的主要原因。非小细胞肺癌(NSCLC)占原发性肺部恶性肿瘤的80-85％。随着针对PD-L1的免疫检查点抑制剂(ICI)的引入，NSCLC的治疗策略迅速发展，但持久的疾病反应仍然局限于一部分患者。考虑到ICI治疗的总体应答率，未选择患者的应答率为14％至20％，确定预测性生物标志物对于选择更可能对免疫疗法应答的患者至关重要。目前，通过免疫组化评估的肿瘤细胞PD-L1表达是NSCLC患者免疫治疗的唯一认可的诊断生物标志物。但免疫组织化学(IHC)检测不仅耗时，而且不能反映动态PD-L1表达，因为IHC需要肿瘤组织进行分析。根据计算机断层扫描(CT)成像特征预测PD-L1表达不仅对通过成像预测患者预后有价值，而且在无法进行组织采样的情况下也有价值。该技术首先在CT图像中标注感兴趣区域(ROI)，然后从中提取放射学特征也可以直接将整个CT图像或者标注好的CT图像作为输入，输入到一个神经网络中，从中提取深度学习特征。

在提取特征放射学时存在着阻碍，因为对ROI进行分割时，往往存在视觉差异不明显现象，其不仅耗时而且对不同勾画者的可变性极其敏感。放射组学的另一个主要问题是，它们提取时没有使用可以从其他数据来源获得的信息，这进一步限制了它们对癌症预测的辨别能力。深度放射组学有自己独特的优势(包括其泛化能力和无监督学习)，但也存在相应缺点，例如深度学习通常需要大量数据集，且对某些应用转换缺乏鲁棒性。同时，DLR面临的另一个重要挑战是，它仍然没有最佳体系结构选择的方法。本文提出一种融合组织病理图像和CT影像的PDL1表达水平检测方法，以有效解决这一问题。该方法分别提取临床特征，放射学特征和深度学习特征，再将三种特征连接在一起，最后输入到分类器中进行预测。

发明内容

本发明的目的是为了解决活检无法捕获包容性决策所需的所有可用信息问题，而提出的一种融合组织病理图像和CT影像的PDL1表达水平检测方法。

上述发明目的主要是通过以下技术方案实现的：

S1、执行k近邻(KNN)算法来估算缺失的临床特征；

PD-L1表达数据集筛选了2016年1月至2018年12月在四川大学华西医院根据组织学标本进行PD-L1染色的2094例IV期NSCLC患者的连续队列；824名患者因低质量CT图像被排除在外；331名患者因临床或病理信息不足而被排除在外。最后，939名患者被纳入分析；

临床特征包括年龄，性别，吸烟史，癌症家族史；

KNN算法是一种常用的监督学习方法，通过距离测量来识别数据集中空间相似或相近的k个样本，然后使用这些样本来估计缺失数据点的值，每个样本的缺失值使用数据集中找到的k邻域的平均值进行插补；

KNN算法的距离度量公式如下：

S2、将所有ROI块调整为像素输入，提取ROI的放射特征；