用于非小细胞肺癌预后生存预测的方法、介质及电子设备

摘要

本发明涉及一种用于非小细胞肺癌预后生存预测的方法、介质及电子设备，所述方法包括：获取待预测CT影像，对该待预测CT影像进行灰度归一化处理，并提取感兴趣区域；基于所述感兴趣区域，采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果；所述基于深度学习的预后生存模型为深度学习卷积神经网络模型，包括5个卷积块、1个全连接层和1个分类层，逐层提取肿瘤抽象特征，并获得预后生存期分类结果，所述5个卷积块中，中间3个卷积块引入有Bottleneck架构，最后一个卷积块在Bottleneck架构的基础上添加有融合层。与现有技术相比，本发明具有预测精度高且方便实现等优点。

说明书

技术领域

本发明涉及计算机辅助医学领域，涉及一种计算机电子设备，尤其是涉及一种用于非小细胞肺癌预后生存预测的方法、介质及电子设备。

背景技术

2018年国际癌症研究机构最新报告显示，肺癌是全球发病率和死亡率最高的癌症，其中，非小细胞肺癌(non-small cell lung cancer,NSCLC)患者占肺癌患病总人数的80％～85％，约3/4的患者发现时已处于中晚期，5年生存率较低。此外，由于肿瘤的异质性，不同的个体身上表现出不一样的治疗效果及预后，甚至在同一个体身上的肿瘤细胞也存在不同的特性和差异。因此，迫切需要一种精准客观且泛化性强的NSCLC预后生存预测系统，以期辅助临床医生高效治疗NSCLC患者，制定个性化的治疗和随访方案，进而提高其治愈率和存活率。

从目前国内外的研究现状来看，临床上研究人员普遍从临床试验、医疗记录中收集患者的年龄、性别、临床分期、吸烟史、组织病理类型、肿瘤标记物等量化指标；通过统计学中多元线性回归方法对临床特征与预后关系进行单因素和多因素生存分析，获得与NSCLC患者预后相关的预后因素。但通过这类方法获取的预后因素有限，可能不与当前治疗方法相符，且不能准确地预测及全面的评估单个患者的具体预后情况。为寻找更多相关的预后因素，研究人员采用机器学习方法(包括人工神经网络、决策树、随机森林等)从大量复杂的医学数据中挖掘关键特征，预测NSCLC患者的预后情况。这类方法在一定程度上提高了预测精度，但从医学图像中提取感兴趣特征需要经验丰富的医生来识别或描述，较为费时费力，且手工制作特征的有效性也存在不确定性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高且方便实现的用于非小细胞肺癌预后生存预测的方法、介质及电子设备。

本发明的目的可以通过以下技术方案来实现：

一种用于非小细胞肺癌预后生存预测的方法，该方法包括以下步骤：

获取待预测CT影像，对该待预测CT影像进行灰度归一化处理，并提取感兴趣区域；

基于所述感兴趣区域，采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果；

所述基于深度学习的预后生存模型为深度学习卷积神经网络模型，包括5个卷积块、1个全连接层和1个分类层，逐层提取肿瘤抽象特征，并获得预后生存期分类结果，所述5个卷积块中，中间3个卷积块引入有Bottleneck架构，最后一个卷积块在Bottleneck架构的基础上添加有融合层。

进一步地，提取所述感兴趣区域具体为：读取待预测CT影像对应的三维肿瘤标记及临床数据提取感兴趣区域结构信息，与待预测CT影像比对，截取获得所述感兴趣区域。

进一步地，所述预后生存模型训练时采用的数据集包括互不相交的测试集、验证集和训练集，基于训练集优化网络参数，基于验证集估计训练中或训练后的泛化误差，更新超参数，以测试集估计模型性能，所述数据集中的各样本包括CT影像、三维肿瘤标记、临床数据和生存期。

进一步地，所述生存期包括长生存期和短生存期。

进一步地，所述预后生存模型训练时使用的损失函数数学表达式为：

其中y

本发明还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述用于非小细胞肺癌预后生存预测的方法的步骤。

本发明还提供一种用于非小细胞肺癌预后生存预测的电子设备，包括：

CT影像获取模块，用于获取待预测CT影像，对该待预测CT影像进行灰度归一化处理，并提取感兴趣区域；

预测模块，该模块维护一基于深度学习的预后生存模型，基于所述感兴趣区域，采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果；

所述基于深度学习的预后生存模型为深度学习卷积神经网络模型，包括5个卷积块、1个全连接层和1个分类层，逐层提取肿瘤抽象特征，并获得预后生存期分类结果，所述5个卷积块中，中间3个卷积块引入有Bottleneck架构，最后一个卷积块在Bottleneck架构的基础上添加有融合层。

进一步地，所述CT影像获取模块中，提取所述感兴趣区域具体为：读取待预测CT影像对应的三维肿瘤标记及临床数据提取感兴趣区域结构信息，与待预测CT影像比对，截取获得所述感兴趣区域。

进一步地，所述预测模块中，预后生存模型训练时采用的数据集包括互不相交的测试集、验证集和训练集，基于训练集优化网络参数，基于验证集估计训练中或训练后的泛化误差，更新超参数，以测试集估计模型性能，所述数据集中的各样本包括CT影像、三维肿瘤标记、临床数据和生存期。

进一步地，所述预后生存模型训练时使用的损失函数数学表达式为：

其中y

与现有技术相比，本发明具有如下有益效果：

1、本发明对CT影像进行预处理，而后进行ROI提取，利用训练好的基于深度学习的预后生存模型进行生存期预测，实现方便简单，提高预测效率，有效辅助临床医生做出正确方案决策。

2、本发明针对非小细胞肺癌预后生存预测设计了新型的卷积神经网络模型，通过逐层提取肿瘤抽象特征，并引入Bottleneck架构和融合层，实现各层提取信息的结合，提高所提取特征的可靠性，进而提高预测准确度。

3、本发明对深度学习卷积神经网络模型设计了有效的损失函数，提高了模型预测精度。

4、本发明可准确地预测单个患者的预后具体情况，协助临床医生制定合适且有效的治疗方案，针对不同患者、不同病灶实现精准医疗，减少主观判断，制定客观评价标准，提高患者预后质量，降低看病成本，避免过度治疗及医疗资源的浪费，提高医疗水平，具有极大潜力与临床应用价值。

附图说明

图1为本发明预后生存模型的训练过程示意图；

图2为本发明采用的深度学习卷积神经网络模型的结构示意图；

图3为本发明卷积神经网络模型中卷积块1的示意图；

图4为本发明卷积神经网络模型中卷积块2-4的示意图；

图5为本发明卷积神经网络模型中卷积块5的示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

以深度学习根据机器学习中人工神经网络(Artificial neural network,ANN)的深度叠加进行学习，是传统神经网络的拓展，通过低层特征组合形成更加抽象的高层特征从而实现分类和预测。因自身的独特优势，深度学习在医学各个领域的发展越来越快，例如癌症的预后分析方面。影像组学是采用自动化算法从放射影像的感兴趣区域(Area ofinterest,ROI)内挖掘大量特征信息作为研究对象，通过统计学方法提取有效的关键信息，用于疾病的辅助诊断、分类或分级。计算机断层扫描(Computed tomography，CT)是肺部检查的常用手段之一，也是影像组学中的重要模态之一，易于采集与比对，在区分不同组织病理学特征的肿瘤病变和预测治疗反应或患者生存方面有很好的结果。

本实施例基于上述基础提供一种用于非小细胞肺癌预后生存预测的方法，包括以下步骤：获取待预测CT影像，对该待预测CT影像进行灰度归一化处理，并提取感兴趣区域；基于所述感兴趣区域，采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果。

该方法采用的所述基于深度学习的预后生存模型为深度学习卷积神经网络模型(Convolutional neural network，CNN)，如图2所示，包括5个卷积块、1个全连接层和1个分类层，逐层提取肿瘤抽象特征，并获得预后生存期分类结果，所述5个卷积块中，中间3个卷积块引入有Bottleneck架构，最后一个卷积块在Bottleneck架构的基础上添加有融合层。

本实施例中，整个卷积神经网络模型主要包括3*3的卷积层、1*1的卷积层、2*2的最大池化层、可微分学习的自适配归一化层(Switchable Normalization,SN)和高级激活函数指数线性单元(Exponential Linear Units,ELU)。5个卷积块的具体实施方式如图3-图5。如图3所示，卷积块1由1个卷积核大小为3*3的二维卷积层、1个SN层、1个ELU层构成。如图4所示，卷积块2、卷积块3、卷积块4的结构相同，均引入Bottleneck架构，该架构具有两个通道，能够合并两通道间的特征信息，包括1个卷积核大小为3*3的二维卷积层、3个卷积核大小为1*1的二维卷积层、3个SN层、3个ELU层、1个卷积核大小为2*2的最大池化层。如图5所示，卷积块5在Bottleneck架构的基础上添加了融合层，拼接卷积块4与卷积块5的特征通道，包括1个卷积核为3*3的二维卷积层、1个卷积核为2*2的二维卷积层、3个卷积核为1*1的二维卷积层、3个SN层、3个ELU层、1个卷积核大小为3*3的最大池化层。

如图1所示，预后生存模型的训练过程包括：

步骤1、数据预处理：获取CT影像、对应的三维肿瘤标记及相关临床数据，对CT影像进行生存情况分类，并对影像进行灰度归一化处理。三维肿瘤标记为放射肿瘤学家手动描绘的三维肿瘤，具有总体体积信息。

本实施例中，首先从癌症影像档案(The Cancer Imaging Archive,TCIA)数据库中获取马斯特里赫特大学的NSCLC患者数据集，包含422例经组织学或细胞学确认的NSCLC病人的CT影像数据、放射肿瘤学家手动描绘的三维肿瘤总体体积以及临床数据；然后，根据数据集中患者生存时间的长短、截至存活情况，筛选出165例数据(105名男性，60名女性)，以2年生存期为界限划分长短期生存组(长生存期组82例，短生存期组83例)；最后，对筛选出CT影像进行灰度归一化处理。

步骤2、提取感兴趣区域。

首先，采用matlab软件读取放射肿瘤专家手动描绘的DICOM-RT文件，提取其中ROI结构信息；然后，在原图像中找到其对应CT切片和肿瘤所在位置；最后，截取64*64像素大小的ROI。

步骤3、数据集划分与数据增强。

首先，将步骤2中获得ROI按照病人随机抽取20％作为测试集；然后，在剩下的数据中随机抽取10％作为验证集，其余作为训练集，测试集、验证集、训练集互不相交；最后对训练集、验证集进行平移、随机旋转、错切、放缩等操作以扩充数据。

步骤4、构建深度学习卷积神经网络模型。

将NSCLC患者生存预测转化为基于CT影像组学的二分类问题，首先，将步骤3中的训练集作为输入送进卷积神经网络(Convolutional neural network，CNN)，通过逐层训练提取肿瘤抽象特征；然后，利用反向传播算法和随机梯度下降算法最小化损失函数，从而优化网络参数，同时使用验证集估计训练中或训练后的泛化误差，更新超参数；最后获得最优预后生存模型并保存。

训练过程中，首先通过第一个卷积块提取浅层的特征数据，经SN层后进入ELU高级激活层计算得到相应的特征图输出，作为下一层的输入，ELU激活函数的数学表达式为：

其中x代表输入，α是一个可调整的介于0～1之间的参数；然后，将特征图送入第二个卷积块，逐层经过卷积计算后进入池化层，特征图分辨率变为原来的1/s，从而逐步提取图像的高级特征；接着将获得的特征图作为下一层卷积块的输入，依次提取抽象特征；最后通过全连接层和分类层输出最终分类结果。

整个预后生存模型的训练过程中，通过验证集调整网络的超参数，利用反向传播算法和Adamax梯度下降优化算法有监督地最小化损失函数，获得最优化网络连接权重的卷积神经网络。所使用的损失函数数学表达式为：

其中y

步骤5、利用最优预后生存模型预测生存结果。

首先，加载训练好的预后生存模型，将测试集输入模型，根据输出层的节点值，获得患者生存期分类结果；然后，计算准确性、敏感度、特异度、受试者工作特征曲线下面积(Area Under the Curve,AUC)值评估模型分类性能。其中，准确性表示所有样本全部预测对的概率，敏感度代表实际为正样本判断为正样本的概率，特异度代表实际为负样本判断为负样本的概率，AUC值就是一个用来评价二分类模型优劣的常用指标，AUC值越高通常表明模型的效果越好。

实施例2

本实施例提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述用于非小细胞肺癌预后生存预测的方法的步骤。

实施例3

本实施例提供一种用于非小细胞肺癌预后生存预测的电子设备，包括CT影像获取模块和预测模块，其中，CT影像获取模块用于获取待预测CT影像，对该待预测CT影像进行灰度归一化处理，并提取感兴趣区域；预测模块维护一基于深度学习的预后生存模型，基于所述感兴趣区域，采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果。所述基于深度学习的预后生存模型为深度学习卷积神经网络模型，包括5个卷积块、1个全连接层和1个分类层，逐层提取肿瘤抽象特征，并获得预后生存期分类结果，所述5个卷积块中，中间3个卷积块引入有Bottleneck架构，最后一个卷积块在Bottleneck架构的基础上添加有融合层。

其余同实施例1。

上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。