[发明专利]基于深度学习的大肠癌个体化治疗和预后信息预测系统

说明书

本发明提供了一种基于深度学习的大肠癌个体化治疗和预后信息预测系统，系统包含：迁移模型构建模块、图像特征提取模块和信息分析识别模块。本发明对常规病理切片上包含肿瘤浸润淋巴细胞、纤维化及粘液等多种预后相关组织类型进行精细分割和识别，将抽象的图像信息转化为可精确分析的数字化信息，探索与肠癌预后的相关性，构建复发风险预测模型，改善现有预后相关病理形态指标在诊断医师间重复性差、临床可行性低的现状，为患者后续的个体化治疗决策提供参考；利用全外显子测序技术对复发风险预测模型区分的不同亚型进行基因谱分析，探索肿瘤发生的分子事件与组织形态间以及生物学行为间的相关性；为复发风险预测模型的建立奠定了基础。

技术领域

本发明涉及深度学习、人工智能及信息处理技术领域，特别涉及一种基于深度学习的大肠癌个体化治疗和预后信息预测系统。

背景技术

大肠癌是全球发病率第三的恶性肿瘤，在我国更是高居恶性肿瘤死亡率的第五位；据估计，肠癌活检及术后组织标本占各医院病理外检量的15％-20％，在病理医生缺口数量达9万人的中国，肠癌的诊断无疑占用了大量的病理诊断资源；更重要的是，由于病理人才分布的不均衡，病理诊断的准确性在地区间差异显著，极大影响患者的治疗及预后，肠癌的常规病理诊断不但占用大量病理资源，其精准性亦严重制约患者个体化治疗的选择。伴有淋巴结转移的T1期患者复发率较高，而相比局部切除，根治性切除可降低复发率，II期肠癌患者尽管普遍预后较好，仍有15％左右的患者经过辅助化疗后复发。目前基于分子标志物的研究包含DNA突变、甲基化及MicroRNA，蛋白表达和代谢等诸多方面，但往往因重复性差，或成本较高，目前没有任何一个指标能够应用于临床。相反，近年来基于组织病理形态学的研究取得显著进展。除早期发现的脉管瘤栓、肿瘤出芽(Tumor budding，TB)等预后相关病理特征，肿瘤浸润淋巴细胞(Tumor infiltration lymphocyte，TIL)以及肿瘤间质比在乳腺癌、大肠癌等多种肿瘤中被证实与预后显著相关；但由于上述指标计数费时且医师间重复性差，限制了临床应用。伴随着人工智能相关技术的不断完善和发展，利用人工智能辅助病理诊断并进行预后预测成为解决当前困境的重要契机；

基于卷积神经网络的深度学习人工智能技术可将大面积的病理数字图片分解成细小的分区，自动提取图像特征，将抽象的图像信息转化为具象的数字信息并进行分析和识别，有效解决医师间重复性差的问题，使传统病理诊断更加适应精准化医学的发展。目前，由谷歌及Verily公司研发的人工智能在乳腺癌病理诊断中肿瘤定位准确率可达资深专家水平；用传统机器学习的方法，发现数字病理图片能预测早期非小细胞肺癌的预后，使得算法更为优化的深度学习网络在肿瘤预后方面的应用更加可期。

现有技术一，申请号：CN202080057794.9，一种大肠癌诊断用标志物、辅助大肠癌的诊断的方法、收集数据以用于大肠癌诊断的方法、大肠癌的诊断试剂盒、大肠癌治疗药物、大肠癌的治疗方法、大肠癌的诊断方法；能够高精度地判别有无罹患大肠癌且高灵敏度地检测早期的大肠癌的大肠癌诊断用标志物；测定大肠癌诊断用标志物的表达量的辅助大肠癌的诊断的方法、收集数据以用于大肠癌诊断的方法、大肠癌的诊断方法、大肠癌的治疗方法；具备与大肠癌诊断用标志物特异性的引物的大肠癌的诊断试剂盒；包含大肠癌诊断用标志物的抑制剂的大肠癌治疗药物。大肠癌诊断用标志物是选自由hsa-miR-129-1-3p、hsa-miR-566及hsa-miR-598-5p构成的组中的至少一种微小RNA；虽然提供了可以高精度地判别有无罹患大肠癌、且高灵敏度地检测早期的大肠癌的大肠癌诊断用标志物，但是智能水平较低，需要过多的认为参与及判断，降低了诊断的效率和质量。