CN114862797B 基于图像的患者级别分子标志物预测方法、系统和设备 （中国科学院自动化研究所）

号US2021327534A1,2021.10.21忽略了与患者预后相关的关键分子标志物提供的额外信息导致了分析准确度不足的问题。包作为预后决策因子，提高了自动化诊断的准确2步骤S200，基于所述感兴趣区域图像，根据采集仪器的模步骤S300，基于所述颜色标准化矩形切块，逐个通过步骤S400，基于分子标志物突变程度和突变程度排序，步骤S500，基于所述分子标志物高低等级和患者级数字病步骤S700，基于所述患者级数字病理图像特征，所述4个残差模块具体为，第一残差模块包括依次连接的1个映射模块和重复的2个恒块包括依次连接的1个映射模块及重复的2选取剩余的矩形切块中含目标细胞及目标细胞间质信息的矩形切块作为目将所有剩余的切块分解为颜色外观矩阵及稀疏非负的染色密度图被选为目标切块部分的缩放染色密度图分别与目标切块的颜色外观矩阵相乘生成归一化3步骤S310，基于所述颜色标准化矩形切块，逐个通过积神经网络中的1个卷积模块和3个残差模块提取每个颜色标准步骤S320，将所述颜色标准化矩形块的特征图进行步骤S330，将来源相同患者的切块的切块深层特征信通过皮尔逊相关性分析方法，在高维的患者级数字病理图像特征中提取预8.一种基于图像的患者级别分子标志物预测系统，所述感兴趣区域提取单元，配置为获取具有分子标志物的待测图像所述特征提取单元，配置为基于所述颜色标准化矩形切块，逐个通过深所述标志物等级划分单元，配置为基于分子标志物突变程度和突变程度排所述顶部特征获取单元，配置为基于所述分子标志物高低等级和所述模型构建单元，配置为基于所述顶部特征构建基于机器学习的标志所述等级预测单元，配置为基于所述患者级数字病理图像特征，通过以实现权利要求1-7任一项所述的基于图像的患者级别分4机指令用于被所述计算机执行以实现权利要求1-7任一项所述的基于图像的患者级别分子56[0015]所述4个残差模块具体为，第一残差模块包括依次连接的1个映射模块和重复的2差模块包括依次连接的1个映射模块及重复的2[0022]选取剩余的矩形切块中含目标细胞及目标细胞间质信息的矩形切块作为目标切中未被选为目标切块部分的缩放染色密度图分别与目标切块的颜色外观矩阵相乘生成归差卷积神经网络中的1个卷积模块和3个残差模块提取每个颜色标准7述指令用于被所述处理器执行以实现上述的基于图像的患者级别分子标[0044](1)本发明通过将预测得到的分子标志物等级作为预后决策因子，划分不同患者[0049]图3是本发明基于图像的患者级别分子标志物预测方法的卷积神经网络残差模块8[0051]图5是本发明基于图像的患者级别分子标志物预测方法在真实实验数据集上预后像中与病变无关信息的干扰。完成本步骤后每例病理图像产生一份记录完整位置信息的9[0074]选取剩余的矩形切块中含目标细胞及目标细胞间质信息的矩形切块作为目标切中未被选为目标切块部分的缩放染色密度图分别与目标切块的颜色外观矩阵相乘生成归[0077]将来源相同患者的切块深层特征信息进行合并，获得患者级块及重复的3个恒等模块；第三残差模块包括依次连接的1个映射模块及重复的5个恒等模[0085]本实施例通过ImageNet中的自然图像预训练深度残差卷积神经网络后确定网络标志物高/低等级；本实施例中采用肿瘤突变负荷作为待预测的分子标志物根据分段回归[0094]据肿瘤突变负荷与患者预后的相关性，通过预测模型输出值高/低将患者划分为[0095]实施例采用566例同时具有数字病理图像及肿瘤突变负荷信息的真实数据集做测[0096]使用本发明所述方法获取分类方法的受试者操作特性(ROC)曲线及其曲线下面积(AUC)，将ROC曲线和AUC作为分类器性能的度量，同时获取预后决策的卡普兰-梅尔用于被所述处理器执行以实现上述的基于图像的患者级别分子标志更改或替换之后的技术方案都将落入本发明的保