CN115410686B - 转化治疗方案的选择方法、装置、电子设备及存储介质 - Google Patents
转化治疗方案的选择方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115410686B CN115410686B CN202211005046.3A CN202211005046A CN115410686B CN 115410686 B CN115410686 B CN 115410686B CN 202211005046 A CN202211005046 A CN 202211005046A CN 115410686 B CN115410686 B CN 115410686B
- Authority
- CN
- China
- Prior art keywords
- patient
- curative effect
- information
- effect prediction
- transformation
- 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
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Urology & Nephrology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种转化治疗方案的选择方法、装置及设备,以解决相关技术中可能无法准确地选择合适的转化治疗方式,从而导致选取的转化治疗方案安全性较低等问题。方法包括:获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种转化治疗方案的选择方法、装置、电子设备及计算机可读存储介质。
背景技术
随着化疗、靶向治疗、以及免疫治疗方法的不断进步,可以实现利用有效的***性治疗手段控制病灶,例如,转化治疗(Conversion therapy),通过诱导肿瘤收缩和控制转移灶,可能将技术性不可切除的患者转变为可切除,对改善癌治疗及患者结局有重要意义。
通过既往研究可知,现有的转化治疗方式包括局部治疗、***治疗和联合治疗等多种。相关技术中,辅助诊断***在选择转化治疗方式时,通常是根据待治疗患者的病症,查询与该待治疗患者病症相同的历史患者所采用的转化治疗方式,并将查询到的转化治疗方式作为适合待治疗患者的治疗方式推送至医护人员,以便对待治疗患者进行治疗。然而,由于患者个体化特征的高度复杂性及相关数据的多样性,均会影响转化治疗方式,因此,采用相关技术提供的方法,可能无法准确地选择合适的转化治疗方式,也即可能出现同种转化治疗方式对于病症相同的不同患者不适配的情况,从而导致选取的转化治疗方案安全性较低等问题。
发明内容
本发明实施例提供一种转化治疗方案的选择方法,用以解决现有技术中可能无法准确地选择合适的转化治疗方式,从而导致选取的转化治疗方案安全性较低等问题。
第一方面,本申请实施例提供了一种转化治疗方案的选择方法,包括:
获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
其中,基线数据用于反映患者基本诊疗情况的离散型数据和基本血液学数据;分子病理数据为基因及表达组的分子病理数据;
临床信息,包括性别、体重、身高、妊娠和哺乳信息,以及,病症、病变部位、并发症、夹杂症、不良反应史、个人历史病史和家族历史病史信息;
将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案;
其中,疗效预测模型包括与不同转化治疗方案分别对应的多个神经网络分支,多个神经网络分支中的每个神经网络分支为深度强化学习神经网络;
疗效预测模型通过以下方式训练得到:
获取历史患者的第二目标信息,并基于第二目标信息构建训练样本集,第二目标信息包括历史患者的基线数据、分子病理数据、影像学特征信息和临床信息;
采用以第二目标信息作为待训练疗效预测模型的输入,以各转化治疗方案的疗效预测结果作为待训练疗效预测模型的输出结果的方式,对待训练疗效预测模型进行训练,以得到训练后的疗效预测模型,作为预先训练得到的疗效预测模型;
其中,所述疗效预测模型由卷积神经网络、单隐层全连接神经网络、解码器网络和多个深度强化学习神经网络构成,其中,所述解码器网络中具体包括一个自注意网络和一个前馈神经网络;
所述卷积神经网络用于获取所述第一目标信息中图像类数据的特征向量;所述卷积神经网络的数量由所述第一目标信息中图像类数据的数量确定;
所述单隐层全连接神经网络可以用于获取所述第一目标信息中非图像类数据的特征向量;所述单隐层全连接神经网络的数量由所述第一目标信息中非图像类数据的数量确定;
所述解码器网络中的所述自注意网络可以用于结合接收到的所述基线数据、所述分子病理数据、所述影像学特征信息和所述临床信息确定待预测患者的状况;所述解码器网络中的所述前馈神经网络用于整合所述基线数据、所述分子病理数据、所述影像学特征信息和所述临床信息的特征向量。
第二方面,本申请实施例提供了一种转化治疗方案的选择方法,包括:
获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
其中,基线数据用于反映患者基本诊疗情况的离散型数据和基本血液学数据;分子病理数据为基因及表达组的分子病理数据;
临床信息,包括性别、体重、身高、妊娠和哺乳信息,以及,病症、病变部位、并发症、夹杂症、不良反应史、个人历史病史和家族历史病史信息;
将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
第三方面,本申请实施例提供了一种转化治疗方案的选择装置,包括:
第一信息获取模块,用于获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
其中,基线数据用于反映患者基本诊疗情况的离散型数据和基本血液学数据;分子病理数据为基因及表达组的分子病理数据;
临床信息,包括性别、体重、身高、妊娠和哺乳信息,以及,病症、病变部位、并发症、夹杂症、不良反应史、个人历史病史和家族历史病史信息;
第一信息处理模块,用于将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
第一方案选择模块,用于根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案;
其中,疗效预测模型包括与不同转化治疗方案分别对应的多个神经网络分支,多个神经网络分支中的每个神经网络分支为深度强化学习神经网络;
疗效预测模型通过以下模块训练得到:
样本构建模块,用于获取历史患者的第二目标信息,并基于第二目标信息构建训练样本集,第二目标信息包括历史患者的基线数据、分子病理数据、影像学特征信息和临床信息;
模型训练模块,用于采用以第二目标信息作为待训练疗效预测模型的输入,以各转化治疗方案的疗效预测结果作为待训练疗效预测模型的输出结果的方式,对待训练疗效预测模型进行训练,以得到训练后的疗效预测模型,作为预先训练得到的疗效预测模型;
其中,所述疗效预测模型由卷积神经网络、单隐层全连接神经网络、解码器网络和多个深度强化学习神经网络构成,其中,所述解码器网络中具体包括一个自注意网络和一个前馈神经网络;
所述卷积神经网络用于获取所述第一目标信息中图像类数据的特征向量;所述卷积神经网络的数量由所述第一目标信息中图像类数据的数量确定;
所述单隐层全连接神经网络可以用于获取所述第一目标信息中非图像类数据的特征向量;所述单隐层全连接神经网络的数量由所述第一目标信息中非图像类数据的数量确定;
所述解码器网络中的所述自注意网络可以用于结合接收到的所述基线数据、所述分子病理数据、所述影像学特征信息和所述临床信息确定待预测患者的状况;所述解码器网络中的所述前馈神经网络用于整合所述基线数据、所述分子病理数据、所述影像学特征信息和所述临床信息的特征向量。
第四方面,本申请实施例提供了一种转化治疗方案的选择装置,包括:
第二信息获取模块,用于获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
其中,基线数据用于反映患者基本诊疗情况的离散型数据和基本血液学数据;分子病理数据为基因及表达组的分子病理数据;
临床信息,包括性别、体重、身高、妊娠和哺乳信息,以及,病症、病变部位、并发症、夹杂症、不良反应史、个人历史病史和家族历史病史信息;
第二信息处理模块,用于将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
第二方案选择模块,用于根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
第五方面,本申请实施例提供了一种电子设备,包括:处理器;以及,被安排成存储计算机可执行指令的存储器,所述可执行指令被配置由所述处理器执行,所述可执行指令包括用于执行上述转化治疗方案的选择方法中的步骤。
第六方面,本申请实施例提供了一种存储介质。所述存储介质用于存储计算机可执行指令,所述可执行指令使得计算机执行上述转化治疗方案的选择方法。
采用本申请实施例提供的方法,在选择转化治疗方案时,可以考虑患者的基线数据、分子病理数据、影像学特征信息和临床信息等个体化特征,并根据患者的个体化特征通过预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果,最后根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,这样,相对于相关技术而言,一方面,由于考虑了待预测患者的个体化特征,因此,可以根据待预测患者的个体化特征选择与患者的个体化特征匹配的转化治疗方式,从而避免相关技术中仅根据病症选择转化治疗方案时出现选择的转化治疗方案与待预测患者不适配的问题,提高选取的转化治疗方案的安全性。
另一方面,由于在选择转化治疗方案时,还可以进一步考虑待预测患者在不同转化治疗方案下的疗效预测结果,因此,可以在保证转化治疗方案与待预测患者匹配的基础上,进一步保证转化治疗方案的疗效,以提高转化治疗方案的安全性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1a为本申请实施例提供的一种转化治疗方案的选择方法的实现流程示意图;
图1b为本申请实施例提供的一种转化治疗方案的选择方法的实现流程示意图;
图2为本申请实施例提供的将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果的实现流程示意图;
图3为本申请实施例提供一种转化治疗方案的选择装置的具体结构示意图;
图4为本申请实施例提供一种转化治疗方案的选择装置的具体结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应理解,这样使用的数据在适当情况下可以互换,以便本申请实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,本说明书以及权利要求书中“和/或”表示所连接的对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
通过既往研究可知,现有的转化治疗方式包括局部治疗、***治疗和联合治疗等多种。相关技术中,辅助诊断***在选择转化治疗方式时,通常是根据待治疗患者的病症,查询与该待治疗患者病症相同的历史患者所采用的转化治疗方式,并将查询到的转化治疗方式作为适合待治疗患者的治疗方式推送至医护人员,以便对待治疗患者进行治疗。然而,由于患者个体化特征的高度复杂性及相关数据的多样性,均会影响转化治疗方式,因此,采用相关技术提供的方法,可能无法准确地选择合适的转化治疗方式,也即可能出现同种转化治疗方式对于病症相同的不同患者不适配的情况,从而导致选取的转化治疗方案安全性较低等问题。
为解决上述技术问题,本申请实施例提供一种转化治疗方案的选择方法,获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
采用本申请实施例提供的方法,可以根据待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息,通过预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;然后,根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
图1a为本申请实施例提供的一种转化治疗方案的选择方法的流程示意图,该方法可以由辅助诊断***/设备执行,该辅助诊断***/设备可以是一个独立的服务器,也可以是多个服务器所形成的服务器集群。
以下以辅助诊断***/设备为独立的服务器为例,对转化治疗方案的选择方法进行详细说明。如图1a所示,该方法包括以下步骤:
步骤S102,获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息。
基线数据,可以理解为用于反映患者基本诊疗情况的离散型数据和基本血液学数据。例如,以患者为肿瘤患者为例,基线数据可包括肿瘤分期信息、分期类型、病理诊断等基本诊疗信息,以及血常规等血液学数据。
分子病理数据,也即基因及表达组的分子病理数据;例如,以待预测为结直肠癌患者为例,则该分子病理数据可以包括肿瘤抑制基因APC、原癌基因KRAS、原癌基因BRAF等关键驱动基因信息。
影像学特征信息可以包括为诊断和治疗疾病所扫描的多种类型的三维容积的医学影像数据,其用于反馈病变部位的三维空间状态和组织密度,水成分差异等影像学表达。例如,医学影像数据可包括正电子发射型计算机断层显像(Positron Emission ComputedTomography,PET)、电子计算机断层扫描(Computed Tomography,CT)图像以及磁共振成像(Magnetic Resonance Imaging,MRI)等。
临床信息,可以包括性别、体重、身高、妊娠和哺乳等一般信息,以及,病症、病变部位、并发症、夹杂症、不良反应史、个人历史病史和家族历史病史等病史相关信息。
本申请实施例中,可以通过针对患者进行问询、做体格检查和辅助检查(比如,实验室检查和器械检查)等方式获取待预测患者的第一目标信息,或者,也可以从预先构建的专病库中获取待预测患者的第一目标信息,其中,专病库中存储有待预测患者的第一目标信息。
需要说明的是,本申请实施例中所列举的基线数据、分子病理数据、影像学特征信息,以及获取各数据的具体方式均是本申请实施例中的一种示例性说明,并不对本申请实施例造成任何限定。
步骤S104,将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率。
肿瘤的可手术切除概率,是指通过转化治疗后,将不可切除肿瘤转变为可切除肿瘤的概率。
R0切除率,表征通过转化治疗后可以完整切除肿瘤,且镜下切缘为阴性,即无肿瘤残留的概率。
客观反映率,是指通过转化治疗后,按照RECIST标准肿瘤评估达到完全缓解或者部分缓解的比例。
其中,疗效预测模型包括与不同转化治疗方案分别对应的多个神经网络分支,多个神经网络分支中的每个神经网络分支为深度强化学习神经网络。
以下,在介绍步骤S104的具体实施步骤之前,先对本申请实施例的疗效预测模型的网络结构进行详细说明。
本申请实施例中,疗效预测模型中可以由卷积神经网络、单隐层全连接神经网络、解码器网络和多个深度强化学习神经网络构成,其中,解码器网络中具体包括一个自注意网络和一个前馈神经网络。
其中,卷积神经网络可以用于获取图像类数据的特征向量。单隐层全连接神经网络可以用于获取非图像类数据的特征向量;比如,用于获取文本数据的特征向量。
解码器网络中的自注意网络可以用于结合接收到的基线数据、分子病理数据、影像学特征信息和临床信息等多种待预测患者信息,全面地确定待预测患者的状况;解码器网络中的前馈神经网络可以用于进一步整合基线数据、分子病理数据、影像学特征信息和临床信息等多种待预测患者信息的特征向量。
本申请实施例中,卷积神经网络的数量可以由获取第一目标信息中图像类数据的数量确定;例如,假设第一目标信息中包括CT图像和MRI图像两个图像类数据,则为了提高特征向量的处理效率,可以将卷积神经网络的数量确定为2。
同理,单隐层全连接神经网络的数量可以由获取第一目标信息中非图像类数据的数量确定;例如,假设第一目标信息中包括基线数据、分子病理数据、和临床信息等三个非图像类数据,则为了提高特征向量的处理效率,可以将单隐层全连接神经网络的数量确定为3。
其次,深度强化学习神经网络的数量可以根据待选取的转化治疗方案的数量确定。例如,假设待选取的转化治疗方案包括局部转化治疗、***转化治疗和联合转化治疗三种方案,则深度强化学习神经网络的数量可以确定为3。其中,每一个深度强化学习神经网络分支分别与一种转化治疗方案对应。
下面,以疗效预测模型的网络结构为上述描述的网络结构为例,对本申请实施步骤S104的具体流程进行详细说明。
如图1b所示,可以将第一目标信息中的影像学特征信息输入到疗效预测模型的卷积神经网络,得到影像学特征信息的特征向量;以及,分别将第一目标信息中的基线数据、分子病理数据和临床信息输入到疗效预测模型的单隐层全连接神经网络,得到各信息对应的特征向量。
其中,本申请实施例中卷积神经网络的数量为1,单隐层全连接神经网络的数量为3。
在得到第一目标信息中各信息对应的特征向量之后,可以将各信息对应的特征向量输入至疗效预测模型的编码器中的自注意力网络,以通过自注意力网络输出能够全面表征待预测患者状况的全面特征向量。之后,将得到的全面特征向量输入至编码器中的前馈神经网络,以便对全面特征向量进行进一步整合,得到整合输出结果。
最后,前馈神经网络的整合输出结果可以输入至深度强化学习神经网络的输入,其中,本申请实施例中深度强化学习神经网络的数量为3,每个深度强化学习神经网络的输出可以被传递到线性层的三个分支,如图1b所示,从左往右数,线性层的第一个分支可以用于预测肿瘤的可手术切除概率,线性层的第二个分支可以用于预测R0切除率,线性层的第三个分支可以用于预测客观反映率。
需要说明的是,本申请实施例中,深度强化学习神经网络的状态包括待预测患者的第一目标信息,深度强化学习神经网络的动作包括转化治疗方案的具体参数信息。
采用本申请实施例提供的疗效预测模型确定待预测患者在不同转化治疗方案下的疗效预测结果时,首先可以根据待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息等多个信息维度全面地了解待预测患者的疾病状况,从而避免疾病状况了解不全面导致转化治疗手段选取不准确的问题;其次,本申请实施例在获取待预测患者的第一目标信息的特征向量时,针对不同数据格式的第一目标信息,可以结合第一目标信息的数据格式,采用卷积神经网络和单隐层全连接神经网络两种不同的方式获取特征向量,可以保证获取的特征向量更准确。此外,本申请的疗效预测模型包括与不同转化治疗方案分别对应的多个深度强化学习神经网络,这样,可以根据待预测患者的第一目标信息,通过多个深度强化学习神经网络同时对待预测患者在不同转化治疗方案下的疗效预测结果进行预测,从而提高疗效预测结果的预测效率。
本申请实施例中,在实施步骤S104之前,还需要预先训练得到疗效预测模型。其中,疗效预测模型可以通过以下方式训练得到:
(1)获取历史患者的第二目标信息,并基于第二目标信息构建训练样本集,第二目标信息包括历史患者的基线数据、分子病理数据、影像学特征信息和临床信息。
其中,历史患者是指与待预测患者病症相同的,且已经经过转换治疗的患者。需要说明的是,为了保证训练样本的多样性,历史患者的临床信息等可以与待预测患者不相同。
本申请实施例中,获取历史患者的第二目标信息的具体实施步骤与步骤102中获取第一目标信息的方式类似,可以参考步骤102的相关内容,此处不再赘述。
(2)采用以第二目标信息作为待训练疗效预测模型的输入,以各转化治疗方案的疗效预测结果作为待训练疗效预测模型的输出结果的方式,对待训练疗效预测模型进行训练,以得到训练后的疗效预测模型,作为预先训练得到的疗效预测模型。
本申请实施例中,可以将第二目标信息作为待训练疗效预测模型的输入,输入至待训练疗效预测模型,以获取第二目标信息对应的特征向量;在得到第二目标信息对应的特征向量之后,可以将第二目标信息对应的特征向量分别输入至待训练疗效预测模型的多个深度强化学习神经网络进行训练,以得到训练后的疗效预测模型。
步骤S106,根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
本申请实施中,可以根据待预测患者在不同转化治疗方案下的疗效预测结果中所包含的肿瘤的可手术切除概率、R0切除率和客观反映率等信息,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
采用本申请实施例提供的方法,在选择转化治疗方案时,可以考虑患者的基线数据、分子病理数据、影像学特征信息和临床信息等个体化特征,并根据患者的个体化特征通过预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果,最后根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,这样,相对于相关技术而言,一方面,由于考虑了待预测患者的个体化特征,因此,可以根据待预测患者的个体化特征选择与患者的个体化特征匹配的转化治疗方式,从而避免相关技术中仅根据病症选择转化治疗方案时出现选择的转化治疗方案与待预测患者不适配的问题,提高选取的转化治疗方案的安全性。
另一方面,由于在选择转化治疗方案时,还可以进一步考虑待预测患者在不同转化治疗方案下的疗效预测结果,因此,可以在保证转化治疗方案与待预测患者匹配的基础上,进一步保证转化治疗方案的疗效,以提高转化治疗方案的安全性。
图2为本申请实施例提供的一种转化治疗方案的选择方法的流程示意图,该方法可以由辅助诊断***/设备执行,该辅助诊断***/设备可以是一个独立的服务器,也可以是多个服务器所形成的服务器集群。
以下以辅助诊断***/设备为独立的服务器为例,对转化治疗方案的选择方法进行详细说明。如图2所示,该方法包括以下步骤:
步骤S202,获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息。
基线数据,可以理解为用于反映患者基本诊疗情况的离散型数据和基本血液学数据。例如,以患者为肿瘤患者为例,基线数据可包括肿瘤分期信息、分期类型、病理诊断等基本诊疗信息,以及血常规等血液学数据。
分子病理数据,也即基因及表达组的分子病理数据;例如,以待预测为结直肠癌患者为例,则该分子病理数据可以包括肿瘤抑制基因APC、原癌基因KRAS、原癌基因BRAF等关键驱动基因信息。
影像学特征信息可以包括为诊断和治疗疾病所扫描的多种类型的三维容积的医学影像数据,其用于反馈病变部位的三维空间状态和组织密度,水成分差异等影像学表达。例如,医学影像数据可包括正电子发射型计算机断层显像(Positron Emission ComputedTomography,PET)、电子计算机断层扫描(Computed Tomography,CT)图像以及磁共振成像(Magnetic Resonance Imaging,MRI)等。
临床信息,可以包括性别、体重、身高、妊娠和哺乳等一般信息,以及,病症、病变部位、并发症、夹杂症、不良反应史、个人历史病史和家族历史病史等病史相关信息。
本申请实施例中,可以通过针对患者进行问询、做体格检查和辅助检查(比如,实验室检查和器械检查)等方式获取待预测患者的第一目标信息,或者,也可以从预先构建的专病库中获取待预测患者的第一目标信息,其中,专病库中存储有待预测患者的第一目标信息。
需要说明的是,本申请实施例中所例举的基线数据、分子病理数据、影像学特征信息,以及获取各数据的具体方式均是本申请实施例中的一种示例性说明,并不对本申请实施例造成任何限定。
步骤S204,将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率。
肿瘤的可手术切除概率,是指通过转化治疗后,将不可切除肿瘤转变为可切除肿瘤的概率。
R0切除率,表征通过转化治疗后可以完整切除肿瘤,且镜下切缘为阴性,即无肿瘤残留的概率。
客观反映率,是指通过转化治疗后,按照RECIST标准肿瘤评估达到完全缓解或者部分缓解的比例。
其中,疗效预测模型包括与不同转化治疗方案分别对应的多个神经网络分支,多个神经网络分支中的每个神经网络分支为深度强化学习神经网络。
本申请实施例中,疗效预测模型中可以由卷积神经网络、单隐层全连接神经网络、解码器网络和多个深度强化学习神经网络构成,其中,解码器网络中具体包括一个自注意网络和一个前馈神经网络。
其中,卷积神经网络可以用于获取图像类数据的特征向量。单隐层全连接神经网络可以用于获取非图像类数据的特征向量;比如,用于获取文本数据的特征向量。
解码器网络中的自注意网络可以用于结合接收到的基线数据、分子病理数据、影像学特征信息和临床信息等多种待预测患者信息,全面地确定待预测患者的状况;解码器网络中的前馈神经网络可以用于进一步整合基线数据、分子病理数据、影像学特征信息和临床信息等多种待预测患者信息的特征向量。
本申请实施例中,卷积神经网络的数量可以由获取第一目标信息中图像类数据的数量确定;例如,假设第一目标信息中包括CT图像和MRI图像两个图像类数据,则为了提高特征向量的处理效率,可以将卷积神经网络的数量确定为2。
同理,单隐层全连接神经网络的数量可以由获取第一目标信息中非图像类数据的数量确定;例如,假设第一目标信息中包括基线数据、分子病理数据、和临床信息等三个非图像类数据,则为了提高特征向量的处理效率,可以将单隐层全连接神经网络的数量确定为3。
其次,深度强化学习神经网络的数量可以根据待选取的转化治疗方案的数量确定。例如,假设待选取的转化治疗方案包括局部转化治疗、***转化治疗和联合转化治疗三种方案,则深度强化学习神经网络的数量可以确定为3。其中,每一个深度强化学习神经网络分支分别与一种转化治疗方案对应。
本申请实施例中,步骤S204的具体实施方式与上述实施例中步骤104的具体实施方式相似,可以参见步骤104的相关内容,此处不再赘述。
步骤S206,根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
本申请实施中,可以根据待预测患者在不同转化治疗方案下的疗效预测结果中所包含的肿瘤的可手术切除概率、R0切除率和客观反映率等信息,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
采用本申请实施例提供的方法,在选择转化治疗方案时,可以考虑患者的基线数据、分子病理数据、影像学特征信息和临床信息等个体化特征,并根据患者的个体化特征通过预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果,最后根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,这样,相对于相关技术而言,一方面,由于考虑了待预测患者的个体化特征,因此,可以根据待预测患者的个体化特征选择与患者的个体化特征匹配的转化治疗方式,从而避免相关技术中仅根据病症选择转化治疗方案时出现选择的转化治疗方案与待预测患者不适配的问题,提高选取的转化治疗方案的安全性。
另一方面,由于在选择转化治疗方案时,还可以进一步考虑待预测患者在不同转化治疗方案下的疗效预测结果,因此,可以在保证转化治疗方案与待预测患者匹配的基础上,进一步保证转化治疗方案的疗效,以提高转化治疗方案的安全性。
在一个可选的实施例中,在将目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果之前,还需要预先训练得到疗效预测模型。
可选的,疗效预测模型可以通过如下方式训练得到:
(1)获取历史患者的第二目标信息,并基于第二目标信息构建训练样本集,第二目标信息包括历史患者的基线数据、分子病理数据、影像学特征信息和临床信息。
其中,历史患者是指与待预测患者病症相同的,且已经经过转换治疗的患者。需要说明的是,为了保证训练样本的多样性,历史患者的临床信息等可以与待预测患者不相同。
本申请实施例中,获取历史患者的第二目标信息的具体实施步骤与步骤102中获取第一目标信息的方式类似,可以参考步骤102的相关内容,此处不再赘述。
(2)采用以第二目标信息作为待训练疗效预测模型的输入,以各转化治疗方案的疗效预测结果作为待训练疗效预测模型的输出结果的方式,对待训练疗效预测模型进行训练,以得到训练后的疗效预测模型,作为预先训练得到的疗效预测模型。
本申请实施例中,可以将第二目标信息作为待训练疗效预测模型的输入,输入至待训练疗效预测模型,以获取第二目标信息对应的特征向量;在得到第二目标信息对应的特征向量之后,可以将第二目标信息对应的特征向量分别输入至待训练疗效预测模型的多个深度强化学习神经网络进行训练,以得到训练后的疗效预测模型。
在一个可选的实施例中,为了提高疗效预测模型的预测准确率,本申请实施例中还可以将第二目标信息输入至训练得到的疗效预测模型中,得到历史患者在不同转化治疗方案中各转化治疗方案的第一疗效预测结果;然后,根据第一疗效预测结果,确定与历史患者匹配的第一目标转化方案;其中,第一目标转化方案是指根据本申请实施例提供的方法选择出的转化治疗方案。
在得到第一目标转化方案之后,可以进一步获取历史患者的历史转化方案,以及与历史患者的相关的循证医学证据。其中,历史转化方案是指历史患者已经采用的转化治疗方案。
最后,可以根据第一目标转化方案、历史转化方案,以及循证医学证据,确定疗效预测模型的均方根误差函数,并基于均方根误差函数更新疗效预测模型的模型参数,直至疗效预测模型收敛。
在一个可选的实施例中,为了节约转化治疗成本,在根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案时,还可以进一步考虑各转化治疗方案的治疗成本,具体实施方式如下:
根据待预测患者在不同转化治疗方案下的肿瘤的可手术切除概率、R0切除率和客观反映率,从多转化治疗方案中确定备选转化治疗方案;确定备选转化治疗方案中各转化治疗方案的治疗成本;从备选转化治疗方案中选取治疗成本最低的转化治疗方案,确定为与待预测患者匹配的目标转化方案。
采用本申请实施例提供的转化治疗方法的选取方法,可以在保证可手术切除概率、R0切除率和客观反映率的基础下,尽可能地降低转化治疗方法的治疗成本。
对应上述实施例提供的转化治疗方案的选择方法,基于相同的技术构思,本申请实施例还提供一种转化治疗方案的选择装置,该装置的具体结构示意图如图3所示,包括第一信息获取模块301、第一信息处理模块302、第一方案选择模块303。各模块的功能如下:
第一信息获取模块301,用于获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
第一信息处理模块302,用于将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
第一方案选择模块303,用于根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案;
其中,疗效预测模型包括与不同转化治疗方案分别对应的多个神经网络分支,多个神经网络分支中的每个神经网络分支为深度强化学习神经网络;
疗效预测模型通过以下模块训练得到:
样本构建模块,用于获取历史患者的第二目标信息,并基于第二目标信息构建训练样本集,第二目标信息包括历史患者的基线数据、分子病理数据、影像学特征信息和临床信息;
模型训练模块,用于采用以第二目标信息作为待训练疗效预测模型的输入,以各转化治疗方案的疗效预测结果作为待训练疗效预测模型的输出结果的方式,对待训练疗效预测模型进行训练,以得到训练后的疗效预测模型,作为预先训练得到的疗效预测模型。
采用本申请实施例提供的该装置,在选择转化治疗方案时,可以考虑患者的基线数据、分子病理数据、影像学特征信息和临床信息等个体化特征,并根据患者的个体化特征通过预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果,最后根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,这样,相对于相关技术而言,一方面,由于考虑了待预测患者的个体化特征,因此,可以根据待预测患者的个体化特征选择与患者的个体化特征匹配的转化治疗方式,从而避免相关技术中仅根据病症选择转化治疗方案时出现选择的转化治疗方案与待预测患者不适配的问题,提高选取的转化治疗方案的安全性。
另一方面,由于在选择转化治疗方案时,还可以进一步考虑待预测患者在不同转化治疗方案下的疗效预测结果,因此,可以在保证转化治疗方案与待预测患者匹配的基础上,进一步保证转化治疗方案的疗效,以提高转化治疗方案的安全性。
对应上述实施例提供的转化治疗方案的选择方法,基于相同的技术构思,本申请实施例还提供一种转化治疗方案的选择装置,该装置的具体结构示意图如图4所示,包括第二信息获取模块401、第二信息处理模块402、第二方案选择模块403。各模块的功能如下:
第二信息获取模块401,用于获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
第二信息处理模块402,用于将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
第二方案选择模块403,用于根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
可选的,所述装置还包括:
构建模块,用于获取历史患者的第二目标信息,并基于第二目标信息构建训练样本集,第二目标信息包括历史患者的基线数据、分子病理数据、影像学特征信息和临床信息;
训练模块,用于采用以第二目标信息作为待训练疗效预测模型的输入,以各转化治疗方案的疗效预测结果作为待训练疗效预测模型的输出结果的方式,对待训练疗效预测模型进行训练,以得到训练后的疗效预测模型,作为预先训练得到的疗效预测模型。
可选的,装置还包括:
输入模块,用于将第二目标信息输入疗效预测模型,得到历史患者在不同转化治疗方案中各转化治疗方案的第一疗效预测结果;
确定模块,用于根据第一疗效预测结果,确定与历史患者匹配的第一目标转化方案;
获取模块,用于获取历史患者的历史转化方案,以及与历史患者的相关的循证医学证据;
误差函数确定模块,用于根据第一目标转化方案、历史转化方案,以及循证医学证据,确定疗效预测模型的均方根误差函数;
更新模块,用于基于均方根误差函数更新疗效预测模型的模型参数,直至疗效预测模型收敛。
可选的,疗效预测模型包括与不同转化治疗方案分别对应的多个神经网络分支,多个神经网络分支中的每个神经网络分支为深度强化学习神经网络。
可选的,第二方案选择模块403,用于
根据待预测患者在不同转化治疗方案下的肿瘤的可手术切除概率、R0切除率和客观反映率,从多转化治疗方案中确定备选转化治疗方案;
确定备选转化治疗方案中各转化治疗方案的治疗成本;
从备选转化治疗方案中选取治疗成本最低的转化治疗方案,确定为与待预测患者匹配的目标转化方案。
采用本申请实施例提供的该装置,在选择转化治疗方案时,可以考虑患者的基线数据、分子病理数据、影像学特征信息和临床信息等个体化特征,并根据患者的个体化特征通过预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果,最后根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,这样,相对于相关技术而言,一方面,由于考虑了待预测患者的个体化特征,因此,可以根据待预测患者的个体化特征选择与患者的个体化特征匹配的转化治疗方式,从而避免相关技术中仅根据病症选择转化治疗方案时出现选择的转化治疗方案与待预测患者不适配的问题,提高选取的转化治疗方案的安全性。
另一方面,由于在选择转化治疗方案时,还可以进一步考虑待预测患者在不同转化治疗方案下的疗效预测结果,因此,可以在保证转化治疗方案与待预测患者匹配的基础上,进一步保证转化治疗方案的疗效,以提高转化治疗方案的安全性。
对应上述实施例提供的转化治疗方案的选择方法,基于相同的技术构思,本说明书实施例还提供了一种电子设备,该电子设备用于执行上述的转化治疗方案的选择方法,图5为实现本说明书各个实施例的一种电子设备的硬件结构示意图,在硬件层面,电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponentInterconnect,外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成转化治疗方案的选择方法装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
上述如本说明书提供的一种转化治疗方案的选择方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行一种转化治疗方案的选择方法,并具体用于执行:
获取待预测患者的第一目标信息,第一目标信息包括待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
将第一目标信息输入预先训练得到的疗效预测模型,得到待预测患者在不同转化治疗方案下的疗效预测结果;其中,疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
根据待预测患者在不同转化治疗方案下的疗效预测结果,从不同转化治疗方案中选取转化治疗方案,作为与待预测患者匹配的目标转化方案。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、装置、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制时,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (6)
1.一种转化治疗方案的选择方法,其特征在于,包括:
获取待预测患者的第一目标信息,所述第一目标信息包括所述待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
其中,基线数据用于反映患者基本诊疗情况的离散型数据和基本血液学数据;分子病理数据为基因及表达组的分子病理数据;
临床信息,包括性别、体重、身高、妊娠和哺乳信息,以及,病症、病变部位、并发症、夹杂症、不良反应史、个人历史病史和家族历史病史信息;
将所述第一目标信息输入预先训练得到的疗效预测模型,得到所述待预测患者在不同转化治疗方案下的疗效预测结果;其中,所述疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
根据所述待预测患者在不同转化治疗方案下的疗效预测结果,从所述不同转化治疗方案中选取转化治疗方案,作为与所述待预测患者匹配的目标转化方案;
其中,所述疗效预测模型包括与所述不同转化治疗方案分别对应的多个神经网络分支,所述多个神经网络分支中的每个神经网络分支为深度强化学习神经网络;
所述疗效预测模型通过以下方式训练得到:
获取历史患者的第二目标信息,并基于所述第二目标信息构建训练样本集,所述第二目标信息包括所述历史患者的基线数据、分子病理数据、影像学特征信息和临床信息;
采用以所述第二目标信息作为待训练疗效预测模型的输入,以各转化治疗方案的疗效预测结果作为所述待训练疗效预测模型的输出结果的方式,对所述待训练疗效预测模型进行训练,以得到训练后的所述疗效预测模型,作为所述预先训练得到的疗效预测模型;
其中,所述疗效预测模型由卷积神经网络、单隐层全连接神经网络、解码器网络和多个深度强化学习神经网络构成,其中,所述解码器网络中具体包括一个自注意网络和一个前馈神经网络;
所述卷积神经网络用于获取所述第一目标信息中图像类数据的特征向量;所述卷积神经网络的数量由所述第一目标信息中图像类数据的数量确定;
所述单隐层全连接神经网络可以用于获取所述第一目标信息中非图像类数据的特征向量;所述单隐层全连接神经网络的数量由所述第一目标信息中非图像类数据的数量确定;
所述解码器网络中的所述自注意网络可以用于结合接收到的所述基线数据、所述分子病理数据、所述影像学特征信息和所述临床信息确定待预测患者的状况;所述解码器网络中的所述前馈神经网络用于整合所述基线数据、所述分子病理数据、所述影像学特征信息和所述临床信息的特征向量。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
将所述第二目标信息输入所述疗效预测模型,得到所述历史患者在不同转化治疗方案中各转化治疗方案的第一疗效预测结果;
根据所述第一疗效预测结果,确定与所述历史患者匹配的第一目标转化方案;
获取所述历史患者的历史转化方案,以及与所述历史患者的相关的循证医学证据;
根据所述第一目标转化方案、历史转化方案,以及所述循证医学证据,确定所述疗效预测模型的均方根误差函数;
基于所述均方根误差函数更新所述疗效预测模型的模型参数,直至所述疗效预测模型收敛。
3.如权利要求1所述的方法,其特征在于,根据所述待预测患者在不同转化治疗方案下的疗效预测结果,从所述不同转化治疗方案中选取转化治疗方案,作为与所述待预测患者匹配的目标转化方案,包括:
根据所述待预测患者在不同转化治疗方案下的肿瘤的可手术切除概率、R0切除率和客观反映率,从所述不同转化治疗方案中确定备选转化治疗方案;
确定所述备选转化治疗方案中各转化治疗方案的治疗成本;
从所述备选转化治疗方案中选取所述治疗成本最低的转化治疗方案,确定为与所述待预测患者匹配的目标转化方案。
4.一种转化治疗方案的选择装置,其特征在于,包括:
第一信息获取模块,用于获取待预测患者的第一目标信息,所述第一目标信息包括所述待预测患者的基线数据、分子病理数据、影像学特征信息和临床信息;
其中,基线数据用于反映患者基本诊疗情况的离散型数据和基本血液学数据;分子病理数据为基因及表达组的分子病理数据;
临床信息,包括性别、体重、身高、妊娠和哺乳信息,以及,病症、病变部位、并发症、夹杂症、不良反应史、个人历史病史和家族历史病史信息;
第一信息处理模块,用于将所述第一目标信息输入预先训练得到的疗效预测模型,得到所述待预测患者在不同转化治疗方案下的疗效预测结果;其中,所述疗效预测结果包括:肿瘤的可手术切除概率、R0切除率和客观反映率;
第一方案选择模块,用于根据所述待预测患者在不同转化治疗方案下的疗效预测结果,从所述不同转化治疗方案中选取转化治疗方案,作为与所述待预测患者匹配的目标转化方案;
其中,所述疗效预测模型包括与所述不同转化治疗方案分别对应的多个神经网络分支,所述多个神经网络分支中的每个神经网络分支为深度强化学习神经网络;
所述疗效预测模型通过以下模块训练得到:
样本构建模块,用于获取历史患者的第二目标信息,并基于所述第二目标信息构建训练样本集,所述第二目标信息包括所述历史患者的基线数据、分子病理数据、影像学特征信息和临床信息;
模型训练模块,用于采用以所述第二目标信息作为待训练疗效预测模型的输入,以各转化治疗方案的疗效预测结果作为所述待训练疗效预测模型的输出结果的方式,对所述待训练疗效预测模型进行训练,以得到训练后的所述疗效预测模型,作为所述预先训练得到的疗效预测模型;
其中,所述疗效预测模型由卷积神经网络、单隐层全连接神经网络、解码器网络和多个深度强化学习神经网络构成,其中,所述解码器网络中具体包括一个自注意网络和一个前馈神经网络;
所述卷积神经网络用于获取所述第一目标信息中图像类数据的特征向量;所述卷积神经网络的数量由所述第一目标信息中图像类数据的数量确定;
所述单隐层全连接神经网络可以用于获取所述第一目标信息中非图像类数据的特征向量;所述单隐层全连接神经网络的数量由所述第一目标信息中非图像类数据的数量确定;
所述解码器网络中的所述自注意网络可以用于结合接收到的所述基线数据、所述分子病理数据、所述影像学特征信息和所述临床信息确定待预测患者的状况;所述解码器网络中的所述前馈神经网络用于整合所述基线数据、所述分子病理数据、所述影像学特征信息和所述临床信息的特征向量。
5.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的转化治疗方案的选择方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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权利要求1至3中任一项所述的转化治疗方案的选择方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211005046.3A CN115410686B (zh) | 2022-08-22 | 2022-08-22 | 转化治疗方案的选择方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211005046.3A CN115410686B (zh) | 2022-08-22 | 2022-08-22 | 转化治疗方案的选择方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115410686A CN115410686A (zh) | 2022-11-29 |
CN115410686B true CN115410686B (zh) | 2023-07-25 |
Family
ID=84162700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211005046.3A Active CN115410686B (zh) | 2022-08-22 | 2022-08-22 | 转化治疗方案的选择方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410686B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118039062A (zh) * | 2024-04-12 | 2024-05-14 | 四川省肿瘤医院 | 一种基于大数据分析的个体化化疗剂量远程控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112992377A (zh) * | 2021-03-03 | 2021-06-18 | 深圳市儿童医院 | 药物治疗结果预测模型生成方法、装置、终端及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558896B (zh) * | 2018-11-06 | 2024-04-30 | 中山大学附属第一医院 | 基于超声组学和深度学习的疾病智能化分析方法及*** |
CN111477320B (zh) * | 2020-03-11 | 2023-05-30 | 北京大学第三医院(北京大学第三临床医学院) | 治疗效果预测模型的构建***、治疗效果预测***及终端 |
CN111477299B (zh) * | 2020-04-08 | 2023-01-03 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
EP3945469A1 (en) * | 2020-07-28 | 2022-02-02 | Siemens Healthcare GmbH | Computer-implemented method for parametrizing a function for evaluating a medical image dataset |
CN114171187A (zh) * | 2021-12-06 | 2022-03-11 | 浙江大学 | 一种基于多模态深度学习的胃癌tnm分期预测*** |
CN114359666A (zh) * | 2021-12-28 | 2022-04-15 | 清华珠三角研究院 | 多模态融合的肺癌患者疗效预测方法、***、装置及介质 |
CN114283916A (zh) * | 2022-01-26 | 2022-04-05 | 清华珠三角研究院 | 肺癌治疗方案的推荐方法、***、装置及存储介质 |
-
2022
- 2022-08-22 CN CN202211005046.3A patent/CN115410686B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112992377A (zh) * | 2021-03-03 | 2021-06-18 | 深圳市儿童医院 | 药物治疗结果预测模型生成方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115410686A (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pati et al. | The federated tumor segmentation (fets) challenge | |
Thakur et al. | Brain extraction on MRI scans in presence of diffuse glioma: Multi-institutional performance evaluation of deep learning methods and robust modality-agnostic training | |
JP6018077B2 (ja) | 初回放射線治療計画を自動生成するためのシステムおよび方法 | |
WO2021238438A1 (zh) | 肿瘤图像的处理方法和装置、电子设备、存储介质 | |
Casanova et al. | Using high-dimensional machine learning methods to estimate an anatomical risk factor for Alzheimer's disease across imaging databases | |
EP3830791A1 (en) | 3-d convolutional neural networks for organ segmentation in medical images for radiotherapy planning | |
EP3338636B1 (en) | An apparatus and associated method for imaging | |
US20200134876A1 (en) | Generating simulated body parts for images | |
CN115410686B (zh) | 转化治疗方案的选择方法、装置、电子设备及存储介质 | |
US20190228857A1 (en) | Methods, systems, and computer readable media for smart image protocoling | |
CN115036002A (zh) | 一种基于多模态融合模型的治疗效果预测方法及终端设备 | |
CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
Goebel et al. | Natural history of pediatric low-grade glioma disease-first multi-state model analysis | |
Malimban et al. | Deep learning-based segmentation of the thorax in mouse micro-CT scans | |
US11837346B2 (en) | Document creation support apparatus, method, and program | |
Szentimrey et al. | Automated 3D U‐net based segmentation of neonatal cerebral ventricles from 3D ultrasound images | |
CN111784682A (zh) | 用于对图像进行自动处理的网络架构、程序载体和工作站 | |
Putz et al. | The Segment Anything foundation model achieves favorable brain tumor autosegmentation accuracy on MRI to support radiotherapy treatment planning | |
CN116844685B (zh) | 一种免疫治疗效果评估方法、装置、电子设备及存储介质 | |
Robinet et al. | MRI-based deep learning tools for mgmt promoter methylation detection: a thorough evaluation | |
Patel et al. | A Systematic Kidney Tumor Segmentation and Classification Framework using Adaptive and Attentive-based Deep Learning Networks with Improved Crayfish Optimization Algorithm | |
CN112447287A (zh) | 自动化的临床工作流程 | |
Bianchessi et al. | Pediatric brain tumor type classification using deep learning on MR images from the children’s brain tumor network | |
Zhao et al. | Improving brain tumor segmentation in multi-sequence MR images using cross-sequence MR image generation | |
CN116825283B (zh) | 基于迁移学习的核医学治疗个体化剂量评估方法及装置 |
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 |