一种预测肺癌病理图像中基因突变的辅助系统及方法与流程

本发明涉及神经网络领域，尤其涉及一种预测肺癌病理图像中基因突变的辅助系统及方法。

背景技术：

肺癌是全球最常见的恶性肿瘤之一，而且预后差，5年生存率仅有18％。是肿瘤相关死亡率最高的癌症。不同的病理类型相应的治疗方案也不同，对于罹患腺癌的患者，近年来新兴的基于基因组学而发展的针对驱动基因的靶向治疗具有重要意义。靶向治疗是利用具有一定特异性的载体，将药物或者其他具有杀伤肿瘤细胞的活性物质选择性的运送到肿瘤部位，将治疗作用或药物效应尽量限定在特定的靶细胞、组织和器官内，而不会影响正常细胞、组织和器官的功能，从而提高疗效、减少对肿瘤病人的毒副作用的一种癌症治疗手段。这种治疗方法具有高选择性、可以稳、准、狠的打击到肿瘤细胞，如靶向特定表皮生长因子受体(egfr)突变的酪氨酸激酶抑制剂(tki)吉非替尼、靶向alk基因的tki克唑替尼等已经成为了肺癌精准医学不可或缺的重要组分。然而靶向治疗有效的前提必须是患者存在egfr或者alk基因突变阳性，因此选择靶向药物之前需要明确病人的驱动基因状态。

对患者活检或者外科手术切除后的肿瘤病理标本进行全基因突变检测是明确患者基因突变类型的标准方法，然而在临床的工作流程中，病人的组织病理标本通常是利用显微镜将其放大20倍或者40倍生成巨大的二维图像以供病理医师分析，这种方法通常会由于难以全面分析整张切片的特征而造成漏诊、误诊，除此之外，昂贵的基因测序费用也限制了分子检测的推广，这些问题都在一定程度上影响了肺癌精准医疗在临床实践中的推广规模。

随着计算机技术的发展，人工智能、医疗大数据挖掘等技术逐渐进入医疗领域，深度学习算法已经开始应用于医学图像处理，它指对深层神经网络进行一系列有效训练的技术方法，可直接提取图像深层特征信息，并自动学习，卷积神经网络模型(convolutionalneuralnetworks,cnn)是其中最具有代表性的一种。全片数字化病理(wholeslideimages,wsi)的出现为开发cnn辅助病理医师诊断提供机会。训练后的cnn模型可以不受专业因素的限制，全面而准确的获取病理切片的特征，适用于大数据量的wsi图像分析，然而cnn算法模型的应用多集中在乳腺癌、前列腺癌、结直肠癌、头部肿瘤等领域，肺部肿瘤异质性高、数据纷乱复杂，目前针对肺癌病理图像分析、预测基因突变的研究仍很少。

技术实现要素：

本发明为了解决上述问题，现提出预测肺癌病理图像中基因突变的辅助系统，包括：

第一获取模块，用于对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；

第二获取模块，用于对所述病灶区的肿瘤进行基因测序获得与所述标注图像关联的所述肺癌类别相对应的基因突变数据；

生成模块，分别连接所述第一获取模块和所述第二获取模块，用于将所述标注图像和与所述标注图像相对应的所述基因突变数据进行融合，生成训练数据组；

分组模块，连接所述生成模块，用于将所述训练数据组分成一训练集和一测试集；

训练模块，连接所述分组模块，用于将所述训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；

测试模块，连接所述训练模块，用于将所述测试集输入到所述肺癌基因突变判断模型中进行测试获得所述测试集中的所述标注图像关联的所述肺癌类别对应的基因表达量；

处理模块，连接所述测试模块，用于根据所述基因表达量与对应的所述基因突变数据处理得到所述肺癌基因突变判断模型的预测准确率，并在所述预测准确率不小于预设的准确率阈值时，保存所述所述肺癌基因突变判断模型；

医生根据所述肺癌基因突变判断模型处理得到的所述肺癌患者的表征所述肺癌类别的所述基因表达量，以及所述肺癌患者的临床特征给出所述肺癌患者的治疗指导意见。

优选的，所述第一获取模块包括：

扫描单元，用于获取若干肺癌患者的病理切片，并分别对各所述病理切片进行扫描获得数字病理图像；

标注单元，连接所述扫描单元，用于对所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。

优选的，所述肺癌类别为肺鳞癌，或肺腺癌，或小细胞癌，或大细胞癌。

优选的，所述病理切片为冰冻切片。

优选的，所述病理切片为石蜡切片。

一种预测肺癌病理图像中基因突变的辅助方法，应用于预测肺癌病理图像中基因突变的辅助系统，包括以下步骤：

步骤s1，对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；

步骤s2，对所述病灶区的肿瘤进行基因测序获得与所述标注图像关联的所述肺癌类别相对应的基因突变数据；

步骤s3，将所述标注图像和与所述标注图像相对应的所述基因突变数据进行融合，生成训练数据组；

步骤s4，将所述训练数据组分成一训练集和一测试集；

步骤s5，将所述训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；

步骤s6，将所述测试集输入到所述肺癌基因突变判断模型中进行测试获得所述测试集中的所述标注图像关联的所述肺癌类别对应的基因表达量；

步骤s7，根据所述基因表达量与对应的所述基因突变数据处理得到所述肺癌基因突变判断模型的预测准确率，并在所述预测准确率不小于预设的准确率阈值时，保存所述所述肺癌基因突变判断模型；

医生根据所述肺癌基因突变判断模型处理得到的所述肺癌患者的表征所述肺癌类别的所述基因表达量，以及所述肺癌患者的临床特征给出所述肺癌患者的治疗指导意见。

优选的，所述步骤s1包括：

步骤s11，获取若干肺癌患者的病理切片，并分别对各所述病理切片进行扫描获得数字病理图像；

步骤s12，对所述数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。

具有以下有益效果：

本发明通过将数字病理图像的肺癌类别和基因突变数据相关联，从而获得通过肺癌病理图像来预测患者基因突变的可能性，提前进行相应治疗。

附图说明

图1为本发明较佳的实施例中，一种预测肺癌病理图像中基因突变的辅助系统的结构示意图；

图2为本发明较佳的实施例中，一种预测肺癌病理图像中基因突变的辅助方法流程示意图；

图3为本发明较佳的实施例中，标注图像的获得流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明为了解决上述问题，现提出预测肺癌病理图像中基因突变的辅助系统，如图1所示，包括：

第一获取模块1，用于对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；

第二获取模块2，用于对病灶区的肿瘤进行基因测序获得与标注图像关联的肺癌类别相对应的基因突变数据；

生成模块3，分别连接第一获取模块1和第二获取模块2，用于将标注图像和与标注图像相对应的基因突变数据进行融合，生成训练数据组；

分组模块4，连接生成模块3，用于将训练数据组分成一训练集和一测试集；

训练模块5，连接分组模块4，用于将训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；

测试模块6，连接训练模块5，用于将测试集输入到肺癌基因突变判断模型中进行测试获得测试集中的标注图像关联的肺癌类别对应的基因表达量；

处理模块7，连接测试模块6，用于根据基因表达量与对应的基因突变数据处理得到肺癌基因突变判断模型的预测准确率，并在预测准确率不小于预设的准确率阈值时，保存肺癌基因突变判断模型；

医生根据肺癌基因突变判断模型处理得到的肺癌患者的表征肺癌类别的基因表达量，以及肺癌患者的临床特征给出肺癌患者的治疗指导意见。

具体地，本实施例中，本发明为了解决通过肺癌患者的肺癌类型和基因突变之间的关系，提供给医生辅助治疗肺癌的目的，第一获取模块1，对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将数字病理图像中的病灶区根据肺癌类别由丰富经验的医生进行标注获得标注图像，从而作为学习的第一样本；第二获取模块2，对病灶区的肿瘤进行基因测序获得与标注图像关联的肺癌类别相对应的基因突变数据，将获得的基因突变数据作为和第一样本相对应的第二样本；再通过生成模块3将第一样本和第二样本进行融合获得训练数据组，从而完成了训练数据的准备工作；再通过分组模块4，将上述训练数据组分成一训练集和一测试集；分别用于后期模型的训练和测试，训练模块5，将训练集中的训练数据输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型，实现模型的建立；测试模块6，将测试集输入到肺癌基因突变判断模型中进行测试获得测试集中的标注图像关联的肺癌类别对应的基因表达量，处理模块7，在根据基因表达量与对应的基因突变数据处理得到肺癌基因突变判断模型的预测准确率，并在预测准确率不小于预设的准确率阈值时，保存肺癌基因突变判断模型，通过预测准确率来判断模型是否完善，并在准确率不低于预设的准确率阈值时则说明模型可以用于肺癌基因突变的一个预测判断，医生根据肺癌基因突变判断模型处理得到的肺癌患者的表征肺癌类别的基因表达量，以及肺癌患者的临床特征给出肺癌患者的治疗指导意见。

本发明较佳的实施例中，第一获取模块1包括：

扫描单元11，用于获取若干肺癌患者的病理切片，并分别对各病理切片进行扫描获得数字病理图像；

标注单元12，连接扫描单元11，用于对数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。

具体地，本实施例中，首先从病理切片获得数字病理图像，再有经验丰富的医生对获得的数字病理图像进行标注得到标注的标注图像，用于后期模型训练和测试的基础。

本发明较佳的实施例中，肺癌类别为肺鳞癌，或肺腺癌，或小细胞癌，或大细胞癌。

具体地，本实施例中，常规肺癌的类别都适合本基因突变的辅助系统的预测，包括但不限于肺鳞癌、肺腺癌、小细胞癌和大细胞癌。

本发明较佳的实施例中，病理切片为冰冻切片。

本发明较佳的实施例中，病理切片为石蜡切片。

一种预测肺癌病理图像中基因突变的辅助方法，应用于预测肺癌病理图像中基因突变的辅助系统，如图2所示，包括以下步骤：

步骤s1，对若干肺癌患者的病理切片进行扫描获得数字病理图像，并将数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像；

步骤s2，对病灶区的肿瘤进行基因测序获得与标注图像关联的肺癌类别相对应的基因突变数据；

步骤s3，将标注图像和与标注图像相对应的基因突变数据进行融合，生成训练数据组；

步骤s4，将训练数据组分成一训练集和一测试集；

步骤s5，将训练集输入到预先生成的卷积神经网络模型中进行训练获得肺癌基因突变判断模型；

步骤s6，将测试集输入到肺癌基因突变判断模型中进行测试获得测试集中的标注图像关联的肺癌类别对应的基因表达量；

步骤s7，根据基因表达量与对应的基因突变数据处理得到肺癌基因突变判断模型的预测准确率，并在预测准确率不小于预设的准确率阈值时，保存肺癌基因突变判断模型；

医生根据肺癌基因突变判断模型处理得到的肺癌患者的表征肺癌类别的基因表达量，以及肺癌患者的临床特征给出肺癌患者的治疗指导意见。

本发明较佳的实施例中，如图3所示，步骤s1包括：

步骤s11，获取若干肺癌患者的病理切片，并分别对各病理切片进行扫描获得数字病理图像；

步骤s12，对数字病理图像中的病灶区根据肺癌类别进行标注获得标注图像。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。