CN113948211B - 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型 - Google Patents

胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型 Download PDF

Info

Publication number
CN113948211B
CN113948211B CN202111297913.0A CN202111297913A CN113948211B CN 113948211 B CN113948211 B CN 113948211B CN 202111297913 A CN202111297913 A CN 202111297913A CN 113948211 B CN113948211 B CN 113948211B
Authority
CN
China
Prior art keywords
pancreatic
image
model
risk
fistula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111297913.0A
Other languages
English (en)
Other versions
CN113948211A (zh
Inventor
董怡
楼文晖
王文平
王单松
张磊
曹佳颖
范培丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongshan Hospital Fudan University
Original Assignee
Zhongshan Hospital Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongshan Hospital Fudan University filed Critical Zhongshan Hospital Fudan University
Priority to CN202111297913.0A priority Critical patent/CN113948211B/zh
Publication of CN113948211A publication Critical patent/CN113948211A/zh
Application granted granted Critical
Publication of CN113948211B publication Critical patent/CN113948211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及一种胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型，属于医学影像技术领域。本发明将临床实践中所获取的真实图像投入人工智能端，结合超声多模态、术前各项胰瘘有关指标；以AI算法深度挖掘图像中的影像组学特征信息，并对其综合评价、筛选、加权，综合运算、提取有用信息，结合患者术前各项特征与有关实验室检查和影像学检查结果，建立人工智能预测术后胰瘘的诊疗模型。本发明从超声弹性定量出发，解决既往无法于胰腺切除手术前客观评估胰腺质地的问题，对胰腺质地进行无创定量；同时引进人工智能机器学习方法，解决人工分析图像时无法实时处理大量信息量的问题，使预测模型的效力与精确度最大化。

Description

胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型
技术领域
本发明涉及一种胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型，属于医学影像技术领域。
背景技术
胰瘘(Pancreatic Fistula)是急性胰腺炎、慢性胰腺炎、腹部手术(特别是胰腺切除手术)和腹部外伤后最严重的并发症之一。离开正常流出道的胰液可在腹腔内积聚引起周围组织坏死，进而继发感染，感染更可使得胰酶激活过程加快，加强胰液消化和腐蚀作用。胰液蚀破胃肠道可引起胃、小肠、结肠等出血和内瘘，若蚀破血管可引起致命性大出血。对于一般情况较差的病人更可继发腹腔和腹膜后难以控制的多处脓肿，并很快出现多器官功能障碍甚至死亡。许多胰腺病变如重症急性胰腺炎(Severe Acute Pancreatitis,SAP)、胰腺肿瘤等，除本身即可引起胰瘘外，其主要治疗手段-胰腺切除术(Pancreatectomy)也是引起胰瘘的重要原因，其主要危险因素有BMI(≥25)、术前血清γ-GGT浓度(>150U/L)、主胰管内径大小(≤3mm)、手术时间(≥360min)、胰腺脂肪浸润、胰腺组织纤维化程度(≤25％)等。在临床实践上，若能在手术治疗前有效的、无创的预测胰腺肿瘤患者术后胰瘘发生的风险，可以为临床决策提供更多的循证依据。然而，目前对于胰腺切除术后胰瘘发生的风险评估尚缺乏客观有效的指标，更多时候是依赖临床医师的经验判断，或开腹术中凭借触诊胰腺的方式，对胰腺质地进行主观的判断，不仅容易存在观察者间差异、结果难以量化，缺乏术前预测的可能性。因此，获得一种能够早期敏感、准确无创、定量预测胰腺切除手术后并发胰瘘风险的方法十分重要。
既往的研究发现,胰腺实质的软硬度(Stiffness)与胰腺组织的弥漫性改变,包括脂肪浸润(Fatty Infiltration)及纤维化(Fibrosis)等改变相关。如何通过简单、快速、无创、可重复的影像学方法在术前准确量化胰腺质地，评估胰腺疾病本身及切除术后可能发生胰瘘的风险，提高患者的预后是近年来的研究热点，也是许多临床医师的共识。本发明前期研究中曾在术前利用声触诊组织弹性定量技术(Virtual Touch tissue Imaging andQuantification technology，VTIQ)对于患者胰腺质地/纤维化程度(Fibrosis Degree)进行定量评估，结合术后随访结果，得到预测术后并发胰瘘的弹性定量值，并与传统术中触诊的方法进行比较，获得更为客观而精准的评估成果。
基于人工智能的深度学习方法，将临床实践中所获取的真实图像投入人工智能端，深度挖掘图像中的影像组学特征信息，克服人工检视图像时可能遗漏的微小纹理特征，并对其综合评价、筛选、加权，综合运算、提取有用信息，结合患者术前各项特征与有关实验室检查和影像学检查结果，建立人工智能预测术后胰瘘的诊疗新模型，实现术前简单而准确预测的愿景。本技术方案是基于超声多模态影像，以影像组学及AI技术为依托，建立超声可视化定量预测胰腺切除术后并发胰瘘的诊疗新模型，为临床决策提供可靠的信息。
发明内容
本发明的目的是为解决如何构建定量预测胰腺切除术后并发胰瘘的诊疗模型的技术问题。
为达到解决上述问题的目的，本发明所采取的技术方案是提供一种胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型，包括以下步骤：
步骤1：获取术前胰腺病灶常规超声及超声弹性图像，进行SWV测量，分别对胰腺病灶及胰腺体部实质测量3次，取其平均值并记录；获取患者胰瘘高风险因素指标，搜集并记录；术后观察胰瘘的发生，搜集并记录；
步骤2：构建预测胰瘘风险的影像组学模型；
步骤2.1：将患者随机分为模型训练组和模型测试组；
步骤2.2：对患者胰腺病灶以及正常胰腺组织的灰阶超声图像，使用第三方标注软件进行病灶与组织的标注，分离出含有相关信息的图像区域；
步骤2.3：按照IBSI中影像组学特征的定义，对灰阶超声图像的原始图像、高斯拉普拉斯滤波、小波变换和局部二值特征图像进行高通量影像组学特征提取，提取的特征包括病灶和正常组织的形态学、一阶特征、二阶纹理特征和高阶衍生图像特征；
步骤2.4：在模型训练组中以随访结果是否发生胰瘘为金标准，通过方差分析、单因素逻辑回归、最大相关最小冗余、主成分分析或套索算法，对影像组学特征进行筛选,挑选出和胰瘘显著相关的影像组学特征；
步骤2.5：通过机器学习分类器，对筛选出的影像组学特征与随访结果金标准进行学习，建立基于影像组学特征的预测模型；计算每位患者对应的胰瘘风险概率和风险评分；同时对超声组织弹性定量值、术常规二维超声图像特征和实验室检查结果进行独立的单因素-多因素分析，以统计检验P值小于0.05为标准筛选出与胰瘘具有显著相关性的特征；使用多变量逻辑回归的形式，结合单因素分析中显著的超声弹性值、影像学特征和影像组学模型计算出的风险评分，构建最终胰瘘风险预测模型；
步骤3：验证并优化胰瘘预测模型。
优选地，上述步骤3中验证并优化胰瘘预测模型包括对于模型效能和泛化型的测量，在模型测试组中使用模型对患者的胰瘘风险进行预测并与实际随访结果进行比对，并以受试者工作曲线下面积评估模型对新输入图像的预测效能。
本发明提供一种胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型在评估胰瘘风险上的应用。
本发明提供一种胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型在非诊断方法和非治疗方法中的应用。
相比现有技术，本发明具有如下有益效果：
本发明基于临床诊疗的实际需求，以人工智能技术为依托，结合超声多模态、术前各项胰瘘有关指标，建立超声可视化定量预测胰腺切除术后胰瘘发生的诊疗新模型，为临床决策提供更多的参考信息。本发明中所阐述的方法从超声弹性定量技术角度出发，在图像采集、图像预处理、图像精准定量等流程均采取相应的质量控制方法，解决既往无法于胰腺切除手术前客观评估胰腺质地的问题，对胰腺质地进行无创定量。同时引进人工智能机器学习方法，进一步解决人工分析图像时无法实时处理大量信息量的问题，使预测模型的效力与精确度最大化。
附图说明
图1A为胰瘘预测模型在训练集中的受试者工作特征曲线下面积图；
图1B为胰瘘预测模型在测试集中的受试者工作特征曲线下面积。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下：
本发明提供一种胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型，包括以下步骤：
步骤1：获取术前胰腺病灶常规超声及超声弹性图像，进行SWV测量，分别对胰腺病灶及胰腺体部实质测量3次，取其平均值并记录；获取患者胰瘘高风险因素指标，搜集并记录；术后观察胰瘘的发生，搜集并记录；
步骤2：构建预测胰瘘风险的影像组学模型；
步骤2.1：将患者随机分为模型训练组和模型测试组；
步骤2.2：对患者胰腺病灶以及正常胰腺组织的灰阶超声图像，使用第三方标注软件进行病灶与组织的标注，分离出含有相关信息的图像区域；
步骤2.3：按照IBSI中影像组学特征的定义，对灰阶超声图像的原始图像、高斯拉普拉斯滤波、小波变换和局部二值特征图像进行高通量影像组学特征提取，提取的特征包括病灶和正常组织的形态学、一阶特征、二阶纹理特征和高阶衍生图像特征；
步骤2.4：在模型训练组中以随访结果是否发生胰瘘为金标准，通过方差分析、单因素逻辑回归、最大相关最小冗余、主成分分析或套索算法，对影像组学特征进行筛选,挑选出和胰瘘显著相关的影像组学特征；
步骤2.5：通过机器学习分类器，对筛选出的影像组学特征与随访结果金标准进行学习，建立基于影像组学特征的预测模型；计算每位患者对应的胰瘘风险概率和风险评分；同时对超声组织弹性定量值、术常规二维超声图像特征和实验室检查结果进行独立的单因素-多因素分析，以P值小于0.05为标准筛选出与胰瘘具有显著相关性的特征；使用多变量逻辑回归的形式，结合单因素分析中显著的超声弹性值、影像学特征和影像组学模型计算出的风险评分，构建最终胰瘘风险预测模型；
步骤3：验证并优化胰瘘预测模型。
优选地，上述步骤3中验证并优化胰瘘预测模型包括对于模型效能和泛化型的测量，在模型测试组中使用模型对患者的胰瘘风险进行预测并与实际随访结果进行比对，并以受试者工作曲线下面积评估模型对新输入图像的预测效能。
本发明提供一种胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型在评估胰瘘风险上的应用。
本发明提供一种胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型在非诊断方法和非治疗方法中的应用。
本发明基于人工智能的机器学习方法，深度挖掘超声图像中信息，对图像特征综合评价、筛选、加权，提取有关信息，解决人工实时综合多因素分析的弱项，以超声多模态、影像组学及AI技术为依托，结合术前其他有关特征，建立超声可视化定量预测胰腺切除术后胰瘘发生的诊疗模型，提供术前简单、无创、精准预测胰瘘的方法，为临床决策提供可靠的信息。
本发明技术特征包括：
A.胰十二指肠切除术前采集多模态超声影像：受检者取仰卧位，先采用常规二维超声评估胰腺肿瘤的内部回声、彩色血流信号，并采集包含胰腺病灶。待观察区域超声图像稳定后，选择最佳观察切面，嘱患者放松，屏住呼吸，选择超声剪切波弹性成像模式，将10mm×10mm弹性取样框置于胰腺感兴趣区域，注意避开胰腺周围的大血管及肿瘤内部坏死区。当弹性取样框内颜色被均匀填满时，表示弹性成像图像质量IQR满意，冻结图像，进行SWV(m/sec)测量。分别对胰腺病灶及胰腺体部实质测量3次，取其平均值并记录之。
B.基于超声影像，以术后随访结果为金标准，搭建胰瘘预测模型：胰腺切除术后7-14天为并发胰瘘的高峰期，密切注意是否出现胰瘘相关临床表现及体征，同时关注患者生命体征的变化。术后胰瘘的诊断标准依照2016International Study Group ofPancreatic Fistula(2016ISGPF)的标准，透过完整的术后3周的随访，仅在引流液淀粉酶大于诊断阈值(3倍正常值上限以上)，同时出现感染相关症状体征，才会被诊断为临床胰瘘(Clinical Fistula,Grade B pancreatic fistula)，若患者出现需要再入院的情形或死亡时，则诊断为C级胰瘘(Grade C pancreatic fistula)。CT、ERCP、瘘管造影等辅助检查，可用于协助随访术后胰瘘发生与否。通过统计学差异检验验证胰瘘发生组与胰瘘非发生组术前超声检查图像特征以及胰腺组织、肿瘤组织的超声弹性定量SWV值(m/s)与术后随访发生胰瘘是否具有显著相关性(P值小于0.05)，用逻辑回归构建基于SWV的胰瘘风险模型并计算胰瘘风险概率。采用ROC分析得出可最佳区分发生胰瘘和未发生胰瘘组的阈值概率(最大化约登指数)。
同时，基于影像组学概念，对采取到的胰腺灰阶超声图像中胰腺组织和病灶组织进行影像组学特征提取。提取的特征包括一阶直方图特征、二阶纹理特征以及高阶衍生图像特征。以随访胰瘘发生为金标准，首先采取单因素逻辑回归对影像组学特征进行逐个筛选，剔除掉P值大于0.05的特征。其次对剩余与胰瘘发生有显著相关性的特征进行多因素筛选，筛选的方法有多变量逻辑回归、最大相关最小冗余、随机森林、L1正则回归等。最后使用常用的机器学习分类器如L1、L2、Elastic Net正则回归、支持向量机(Support VectorMachine)、决策树或随机森林(Tree\Random Forest)，K-近邻(K-Nearest Neighbor)等，结合随访金标准，构建预测胰瘘风险的影像组学模型。对于影像组学多因素筛选和机器学习分类器的选择，可根据模型在后期验证数据中的效能(如ROC曲线下面积、敏感性、特异性等)选择最佳方案。同时为方便影像组学模型的应用，使用模型对每位患者以概率的形式计算出该患者模型给出的风险评分，使用ROC分析法计算出风险概率的最佳阈值概率。最终的预测模型以多变量逻辑回归的形式结合前期测量的弹性SWV值与影像组学模型计算得出的风险概率。
在初期，给予次预测模型300例实际临床调研患者的超声图像及术后随访结果建立初期预测模型。
C.临床前瞻性数据验证、优化模型：在前期收集病例数据的基础上构建完成预测模型后，对后期新收集的病例进行相同的图像采集和术后随访步骤，获取患者的弹性SWV值以及胰腺灰阶超声图像并对灰阶图像进行影像组学特征提取。使用前期构建的影像组学模型，对后期纳入的患者进行胰瘘风险概率计算。按照前期最终模型中SWV值与影像组学胰瘘风险概率的权重和最佳决策阈值概率，对该患者是否会发生术后胰瘘进行预测。当后纳入患者到达一定数量(如30例)后，则可以以ROC分析、敏感性特异性分析的方法对模型对新数据的预测效能。后期纳入的病例可被纳入至模型训练数据中，以提高模型泛化能力、预测效能。
手术切除是目前临床上对于胰腺占位性病变最积极有效的方式，然而因为胰腺深入腹腔深部，周围解剖结构复杂，各类胰腺切除术式均被认为是难度及风险极高的治疗方法。胰瘘(Pancreatic Fistula)是术后最常见，且时常危及患者生命的并发症，如何在手术前便客观、有效的评估术后胰瘘发生的风险，预测胰瘘的发生一直是临床实践中所追求的。既往的研究已表明BMI(≥25)、术前血清γ-GGT浓度(>150U/L)、主胰管内径大小(≤3mm)、手术时间(≥360min)、胰腺内脂肪浸润、胰腺组织纤维化程度(≤25％)等指标与术后胰瘘的发生高度相关，其中最为关键的组织脂肪浸润程度与纤维化程度等弥漫性病变难以于术前客观定量评估。基于超声弹性技术，可实现术前简单有效的评估胰腺组织弹性，反映组织纤维化程度，进一步用以预测术后胰瘘的发生。结合影像组学及人工智能机器学习技术，建立超声可视化定量预测胰腺切除术后胰瘘发生的诊疗新模型，以求为临床决策提供更多的参考信息。
实施例
A.获取术前胰腺病灶常规超声及超声弹性图像：
对患者胰腺病灶与胰体部实质进行超声弹性定量分析，先采用常规二维超声评估胰腺肿瘤的内部回声、彩色血流信号。待观察区域超声图像稳定后，挑选最佳观察切面，选择超声剪切波弹性成像模式，将10mm×10mm弹性取样框置于胰腺感兴趣区域，注意避开胰腺周围的大血管及肿瘤内部坏死区。当弹性取样框内颜色被均匀填满时，表示弹性成像图像质量IQR满意，冻结图像，进行SWV(m/sec)测量。分别对胰腺病灶及胰腺体部实质测量3次，取其平均值并记录之。
B.获取患者胰瘘高风险因素指标：
BMI(≥25)、术前血清γ-GGT浓度(>150U/L)、主胰管内径大小(≤3mm)与术后并发胰瘘高度相关，这些指标属于术前常规实验室检查与影像学检查内容，搜集并记录之。
C.术后观察胰瘘的诊断与分级：
术后胰瘘的诊断标准依照2016International Study Group of PancreaticFistula(2016ISGPF)制定的标准，透过完整的术后3周的随访，仅在引流液淀粉酶大于诊断阈值(3倍正常值上限以上)，同时出现感染相关症状体征，得以诊断为临床胰瘘(ClinicalFistula,Grade B pancreatic fistula)，若患者出现需要再入院的情形或死亡时，则诊断为C级胰瘘(Grade C pancreatic fistula)。
D.构建影像组学模型预测胰瘘风险：
将纳入患者按照一定比例(6:4,7:3,8:2)随机分入模型训练组和模型测试组，用于预测模型的构建和内部验证。对来自于所有纳入患者含有胰腺病灶以及正常胰腺组织的灰阶超声图像，使用第三方标注软件(如ITK-SNAP,3D-Slicer等)进行病灶与组织的标注，分离出含有相关信息的图像区域(如胰腺病灶、正常胰腺组织)。按照The Image BiomarkerStandardization Initiative(IBSI)中影像组学特征的定义，对灰阶超声图像的原始图像、高斯拉普拉斯滤波、小波变换、局部二值特征图像进行高通量影像组学特征提取，提取的特征包括病灶和正常组织的形态学、一阶特征、二阶纹理特征和高阶衍生图像特征。在训练组中以随访结果是否发生胰瘘为金标准，通过方差分析(ANOVA)、单因素逻辑回归(Univariate Logistic)、最大相关最小冗余(Maximum Relevance Minimum Redundancy)、主成分分析(Principle Component Analysis)、套索算法(Least Absolute ShrinkageSelection Operator)等常规统计和机器学习方法，对影像组学特征进行筛选，挑选出和胰瘘显著相关的特征。之后通过常用的机器学习分类器，如L1、L2、Elastic Net正则回归、支持向量机(Support Vector Machine)、决策树或随机森林(Tree\Random Forest)、K-近邻(K-Nearest Neighbor)等算法，对筛选出的影像组学特征与随访结果金标准进行学习，建立基于影像组学特征的预测模型并计算每位患者对应的胰瘘风险概率。同时对超声组织弹性定量值、术常规二维超声图像特征、实验室检查结果进行独立的单因素-多因素分析，以P值小于0.05为标准筛选出与胰瘘具有显著相关性的特征。使用多变量逻辑回归的形式，结合单因素分析中显著的超声弹性值、影像学特征，和影像组学模型计算出的风险评分，构建最终胰瘘风险预测模型。
E.验证并优化胰瘘预测模型：
对于模型效能和泛化型的测量，在测试组患者中使用模型对患者的胰瘘风险进行预测并与实际随访结果进行比对，并以受试者工作曲线下面积(AUROC)评估模型对新输入图像的预测效能。相似的验证方法也可以是对未来收集到的患者以基于目前所有患者构建的模型进行预测。在此步骤可以通过更换不同的特征筛选方法和机器学习分类器，选择出在训练数据集和测试数据集中效能兼优的模型构建方案。新的影像组学预测模型是基于人工智能机器学习基础与真实的科研证据，投入真实临床数据所建立，随着样本量的增多，其预测效力与精确度将持续提高。故将患者术前胰瘘相关预测指标与术后并发胰瘘的随访结果持续投入模型，将有助于进一步完善此模型。
本发明的使用：
对接受胰腺切除手术治疗的胰腺占位性病变患者进行术前胰腺超声多模态检查，以影像组学及AI技术为依托，建立超声可视化定量预测胰腺切除术后胰瘘发生的诊疗新模型并利用基于过往患者图像训练的预测模型对患者进行术后胰瘘风险的预测。实现胰腺切除手术前综合的、整体的无创定量预测胰腺切除术后并发胰瘘的风险评估，为临床决策提供有效的参考信息。
如图1A,1B示，在患者数量为100例的前期预实验数据集中，按上述方法所获得的胰瘘预测模型在训练集(图1A，70例)与测试集(图1B，30例)中的受试者工作特征曲线下面积AUROC分别为0.810(95％置信区间[0.714–0.896])和0.736(95％置信区间[0.571–0.893])。ROC曲线越接近图像左上角[0,1]点、曲线下面积越接近于1.0，则模型预测效能越优异。
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。

Claims (4)

1.一种胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型的构建方法，其特征在于，包括以下步骤：
步骤1：获取术前胰腺病灶常规超声及超声弹性图像，进行SWV测量，分别对胰腺病灶及胰腺体部实质测量3次，取其平均值并记录；获取患者胰瘘高风险因素指标，搜集并记录；术后观察胰瘘的发生，搜集并记录；
步骤2：构建预测胰瘘风险的影像组学模型；
步骤2.1：将患者随机分为模型训练组和模型测试组；
步骤2.2：对患者胰腺病灶以及正常胰腺组织的灰阶超声图像，使用第三方标注软件进行病灶与组织的标注，分离出含有相关信息的图像区域；
步骤2.3：按照IBSI中影像组学特征的定义，对灰阶超声图像的原始图像、高斯拉普拉斯滤波、小波变换和局部二值特征图像进行高通量影像组学特征提取，提取的特征包括病灶和正常组织的形态学、一阶特征、二阶纹理特征和高阶衍生图像特征；
步骤2.4：在模型训练组中以随访结果是否发生胰瘘为金标准，通过方差分析、单因素逻辑回归、最大相关最小冗余、主成分分析或套索算法，对影像组学特征进行筛选,挑选出和胰瘘显著相关的影像组学特征；
步骤2.5：通过机器学习分类器，对筛选出的影像组学特征与随访结果金标准进行学习，建立基于影像组学特征的预测模型；计算每位患者对应的胰瘘风险概率和风险评分；同时对超声组织弹性定量值、术常规二维超声图像特征和实验室检查结果进行独立的单因素-多因素分析，以统计检验P值小于0.05为标准筛选出与胰瘘具有显著相关性的特征；使用多变量逻辑回归的形式，结合单因素分析中显著的超声弹性值、影像学特征和影像组学模型计算出的风险评分，构建最终胰瘘风险预测模型；
步骤3：验证并优化胰瘘预测模型。
2.如权利要求1所述的构建方法，其特征在于，所述步骤3中验证并优化胰瘘预测模型包括对于模型效能和泛化型的测量，在模型测试组中使用模型对患者的胰瘘风险进行预测并与实际随访结果进行比对，并以受试者工作曲线下面积评估模型对新输入图像的预测效能。
3.如权利要求1和2中任一项所述的构建方法构建的预测模型在评估胰瘘风险的方法或装置中的应用。
4.如权利要求1和2中任一项所述的构建方法构建的预测模型在非诊断和非治疗方法中的应用。
CN202111297913.0A 2021-11-04 2021-11-04 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型 Active CN113948211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111297913.0A CN113948211B (zh) 2021-11-04 2021-11-04 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111297913.0A CN113948211B (zh) 2021-11-04 2021-11-04 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型

Publications (2)

Publication Number Publication Date
CN113948211A CN113948211A (zh) 2022-01-18
CN113948211B true CN113948211B (zh) 2024-06-28

Family

ID=79337557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111297913.0A Active CN113948211B (zh) 2021-11-04 2021-11-04 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型

Country Status (1)

Country Link
CN (1) CN113948211B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023165494A1 (en) * 2022-03-01 2023-09-07 Crown Bioscience (Suzhou) Inc. Methods for determining cetuximab sensitivity in cancer patients
CN115240854B (zh) * 2022-07-29 2023-10-03 中国医学科学院北京协和医院 一种胰腺炎预后数据的处理方法及其***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020057053A (ja) * 2018-09-28 2020-04-09 学校法人慶應義塾 術後合併症予測方法、術後合併症予測プログラム及び術後合併症予測装置
CN113223716A (zh) * 2021-05-20 2021-08-06 复旦大学附属中山医院 一种甲状腺微小癌消融术前颈部***良恶性预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018204725A1 (en) * 2017-05-03 2018-11-08 H. Lee Moffitt Cancer Center And Research Institute, Inc. Theranostic tools for management of pancreatic cancer and its precursors
WO2019232361A1 (en) * 2018-05-31 2019-12-05 University Of Florida Research Foundation Personalized treatment of pancreatic cancer

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020057053A (ja) * 2018-09-28 2020-04-09 学校法人慶應義塾 術後合併症予測方法、術後合併症予測プログラム及び術後合併症予測装置
CN113223716A (zh) * 2021-05-20 2021-08-06 复旦大学附属中山医院 一种甲状腺微小癌消融术前颈部***良恶性预测方法

Also Published As

Publication number Publication date
CN113948211A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN113948211B (zh) 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型
CA2652742C (en) Method for improved ultrasonic detection
CN111739641A (zh) 一种胃癌风险预测方法、***、计算机设备及可读存储介质
CN112669960B (zh) 一种基于机器学习方法的肝脏纤维化预测模型的构建方法、预测***、设备和存储介质
CN110991536A (zh) 原发性肝癌的早期预警模型的训练方法
CN108095767B (zh) 组织炎症活动度检测装置
CN113436150A (zh) 用于***转移风险预测的超声影像组学模型的构建方法
CN112951426B (zh) 一种胰腺导管腺瘤炎性浸润程度判断模型的构建方法及评估***
CN115564741A (zh) 基于ct图像量化食管胃底静脉曲张的装置
Xing et al. Automatic detection of A‐line in lung ultrasound images using deep learning and image processing
KR20210093872A (ko) 심외막 영역의 레디오믹 시그니처
Zhou et al. A pilot study: detrusor overactivity diagnosis method based on deep learning
CN108309348B (zh) 组织纤维化检测装置
Horng An ultrasonic image evaluation system for assessing the severity of chronic liver disease
CN114938974A (zh) 一种基于超声弹性技术预测胰瘘风险的方法及***
TWI685854B (zh) 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法
RU2698546C1 (ru) Способ прогнозирования объема интраоперационной кровопотери при органосохраняющих операциях при опухолях паренхимы почек
CN113936789A (zh) 无创乙肝肝硬化诊断模型的构建方法及诊断列线图的应用
CN115120262A (zh) 基于超声图像的识别装置
RU2523138C1 (ru) Способ прогнозирования риска развития прогрессии заболевания после выполнения радиочастотной термоаблации метастазов колоректального рака в печень
CN115064267B (zh) 一种胆道闭锁风险评估***及其建立方法
CN115439701B (zh) 多模态超声图像的ra活动度深度学习方法及装置
Haiyan et al. Ultrasound operators’ confidence influences diagnosis of ovarian tumors-a study in China
CN111351942B (zh) 肺癌肿瘤标志物筛选***及肺癌风险分析***
RU2707062C1 (ru) Способ прогнозирования оптимального времени тепловой ишемии при органосохраняющих операциях при опухолях паренхимы почек

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant