乳腺癌心血管死亡风险预测方法、装置、设备及存储介质

1.本发明涉及乳腺癌预后评估技术领域，尤其涉及一种乳腺癌心血管死亡风险预测方法、装置、设备及存储介质。


背景技术：

2.目前，乳腺癌(breast cancer,bc)已成为全球女性发病率最高的癌症，占新增恶性肿瘤病例中的11.7％。对于女性，每4例癌症患者中就有1例为乳腺癌患者。近年来，随着癌症诊疗技术的发展，乳腺癌患者的生存率大大提高，预计从2014年到2024年，乳腺癌幸存者的数量将从310多万增加到390多万。然而，心血管疾病(cardiovascular disease，cvd)在这些幸存者中引起了越来越多的关注，特别是对于接受过化疗或放疗的患者。其中，化疗和放疗累积的心脏毒性大大增加了乳腺癌患者的cvd死亡风险，cvd已经超过癌症复发，成为了乳腺癌幸存者死亡的首要原因。因此，明确乳腺癌放/化疗患者cvd死亡风险的危险因素和预测其cvd死亡风险是改善预后的关键。
3.在现有技术中，一种用于放疗或化疗后的乳腺癌患者心脏毒性或心血管疾病的预测模型为the chemo-radiat score(化疗-放疗评分模型)，但由于该模型的终点事件只包括了有症状的心血管事件且预测事件只有心血管疾病，因此不能应用于预测心血管死亡的风险。此外，现有技术中还有以下预测模型：根据baccarat研究提出的放疗后ntcp(normal tissue complication probability)模型、根据bragatston研究提出的放疗后心血管钙化评分模型、化疗后左室射血分数(lvef)下降的列线图模型以及曲妥珠单抗治疗后hf/cm风险评分，由于上述模型部分仅限于老年患者适用，部分缺乏临床研究的理论支持，部分危险因素的风险难以量化，同时部分仅限于单一或有限的心血管疾病风险(如射血分数下降、心衰、心肌炎等)，没有涉及心血管死亡风险的预测，这些预测模型的固有缺陷极大，影响了其推广的适用性和预测的准确性。现有技术中的另一种预测模型为放化疗心脏毒性风险预测模型，其仅限于预测心脏毒性及其并发症的发生风险，无法预测乳腺癌患者的心血管死亡风险，使临床应用极大受限。
4.综上，现有技术中的乳腺癌患者的心血管死亡风险预测模型，适用范围较小、预测的准确性较低，难以实现指导大部分放疗或化疗后乳腺癌患者的个体化管理。


技术实现要素：

5.本发明提供了一种乳腺癌心血管死亡风险预测方法、装置、设备及存储介质，以实现适用范围更广、预测准确性更高的心血管死亡风险预测，从而指导大部分放疗或化疗后乳腺癌患者的个体化管理。
6.第一方面，为了解决上述技术问题，本发明提供了一种乳腺癌心血管死亡风险预测方法，包括：
7.获取乳腺癌放疗或化疗患者数据并进行分类筛选，得到训练队列；
8.基于所述训练队列和cox回归分析，构建列线图模型；其中，所述列线图模型包括
乳腺癌患者的每一预后影响因素对应的死亡风险分值、死亡风险总分值对应的预测心血管死亡概率；
9.根据所述列线图模型和所述患者数据进行评分，并将每一预后影响因素所对应的死亡风险分值相加，得到与所述患者数据对应的死亡风险总分值；
10.根据所述列线图模型和所述死亡风险总分值，得到与所述死亡风险总分值对应的预测心血管死亡概率。
11.优选地，所述基于所述训练队列和cox回归分析，构建列线图模型，包括：
12.在所述训练队列中根据单因素cox回归分析进行初步筛选，得到初始影响因素；
13.基于多因素cox比例风险回归模型对所述初始影响因素进行筛选，得到预后影响因素以及与每一所述预后影响因素对应的分析结果；
14.根据所述预后影响因素和所述分析结果，构建列线图模型。
15.优选地，所述预后影响因素包括诊断年龄、婚姻状况、人种、肿瘤分期和肿瘤直径。
16.优选地，在构建列线图模型之后，所述方法还包括：
17.对所述乳腺癌患者数据进行分类筛选，得到验证队列；
18.根据所述验证队列计算得到内外验证的一致性指数；
19.根据所述一致性指数对所述列线图模型的一致性进行判断。
20.优选地，在构建列线图模型之后，所述方法还包括：
21.根据所述验证队列计算得到内外验证的校准曲线；
22.获取乳腺癌患者的观测生存曲线；
23.根据所述校准曲线与所述观测生存曲线的重合程度对所述列线图模型的准确度进行判断。
24.优选地，所述方法还包括：
25.根据所述死亡风险总分值构建乳腺癌患者的风险分层；其中，所述风险分层包括低风险组、中风险组和高风险组；
26.在所述验证队列中对所述风险分层进行差异统计，得到总体p值和组间两两对比p值；
27.当所述总体p值和所述组间两两对比p值均小于预设的检验阈值时，判定所述风险分层的准确度符合要求，并根据所述风险分层对患者进行风险分层管理。
28.第二方面，本发明提供了一种乳腺癌心血管死亡风险预测装置，包括：
29.数据筛选模块，用于获取乳腺癌放疗或化疗患者数据并进行分类筛选，得到训练队列；
30.模型构建模块，用于基于所述训练队列和cox回归分析，构建列线图模型；其中，所述列线图模型包括乳腺癌患者的每一预后影响因素对应的死亡风险分值、死亡风险总分值对应的预测心血管死亡概率；
31.评分模块，用于根据所述列线图模型和所述患者数据进行评分，并将每一预后影响因素所对应的死亡风险分值相加，得到与所述患者数据对应的死亡风险总分值；
32.概率预测模块，用于根据所述列线图模型和所述死亡风险总分值，得到与所述死亡风险总分值对应的预测心血管死亡概率。
33.优选地，所述模型构建模块包括：
34.初步筛选单元，用于在所述训练队列中根据单因素cox回归分析进行初步筛选，得到初始影响因素；
35.二次筛选单元，用于基于多因素cox比例风险回归模型对所述初始影响因素进行筛选，得到预后影响因素以及与每一所述预后影响因素对应的分析结果；
36.模型构建单元，根据所述预后影响因素和所述分析结果，构建列线图模型。
37.第三方面，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的乳腺癌心血管死亡风险预测方法。
38.第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的乳腺癌心血管死亡风险预测方法。
39.相比于现有技术，本发明具有如下有益效果：
40.本发明提供了一种乳腺癌心血管死亡风险预测方法，通过获取乳腺癌放疗或化疗患者数据并进行分类筛选，得到训练队列；基于所述训练队列和cox回归分析，构建列线图模型；其中，所述列线图模型包括乳腺癌患者的每一预后影响因素对应的死亡风险分值、死亡风险总分值对应的预测心血管死亡概率；根据所述列线图模型和所述患者数据进行评分，并将每一预后影响因素所对应的死亡风险分值相加，得到与所述患者数据对应的死亡风险总分值；根据所述列线图模型和所述死亡风险总分值，得到与所述死亡风险总分值对应的预测心血管死亡概率。
41.本发明提供的乳腺癌心血管死亡风险预测方法，在监测、流行病学和最终结果(seer)数据库的基础上进行了一项多中心、大样本的回顾性研究，即采用cox回归分析和列线图(nomogram)来量化和可视化cvd死亡风险，从而明确化疗或放疗后乳腺癌幸存者的cvd死亡的危险因素，能够实现适用范围更广、预测准确性更高的cvd死亡风险预测，并提供可靠的cvd风险的预测评估，为临床上进行cvd死亡风险的定期监测和实施个体化精确治疗提供了科学依据。
附图说明
42.图1是本发明第一实施例提供的乳腺癌心血管死亡风险预测方法流程示意图；
43.图2是本发明实施例提供的接受放疗或者化疗的乳腺女性癌患者心血管疾病死亡预测列线图；
44.图3是本发明实施例提供的训练队列内验证和验证队列外验证校准曲线图；
45.图4是本发明实施例提供的患者风险分层生存分析示意图；
46.图5是本发明第二实施例提供的乳腺癌心血管死亡风险预测装置结构示意图。
具体实施方式
47.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。
48.参照图1，本发明第一实施例提供了一种乳腺癌心血管死亡风险预测方法，包括以下步骤：
49.s11，获取乳腺癌放疗或化疗患者数据并进行分类筛选，得到训练队列；
50.s12，基于所述训练队列和cox回归分析，构建列线图模型；其中，所述列线图模型包括乳腺癌患者的每一预后影响因素对应的死亡风险分值、死亡风险总分值对应的预测心血管死亡概率；
51.s13，根据所述列线图模型和所述患者数据进行评分，并将每一预后影响因素所对应的死亡风险分值相加，得到与所述患者数据对应的死亡风险总分值；
52.s14，根据所述列线图模型和所述死亡风险总分值，得到与所述死亡风险总分值对应的预测心血管死亡概率。
53.在步骤s11中，首先获取乳腺癌放疗或化疗患者数据，再进行分类筛选，得到训练队列。在一种实施方式中，对所述乳腺癌放疗或化疗患者数据进行分类筛选，可以得到训练队列和验证队列。
54.需要说明的是，乳腺癌患者数据可以从seer数据库中获取，例如提取和筛选seer数据库中2004-2015年接受了放疗或化疗的乳腺癌患者数据。其中，提取的标准包括：(1)确诊为普通型乳腺癌，且乳腺为肿瘤唯一原发部位；(2)在2004-2015年间有完整的临床病理资料；(3)随访时间大于2个月；(4)患者有接受放疗或化疗历史。排除标准包括：(1)随访信息不完整；(2)多源性肿瘤；(3)男性患者；(4)诊断年龄在45岁以下；(5)肿瘤分级、分期、大小、人种、婚姻状态等指标未知；(6)进行过未知手术。共纳入原发性乳腺癌患者28593例。
55.在纳入和排除标准之后，建立了一个整体队列，分析并筛选患者的变量，包括年龄、人种、婚姻状态、确诊年限、肿瘤大小、分化程度、分期、病理类型、淋巴结受累、手术和心血管疾病等。示例性地，通过x-tile软件确定肿瘤直径最佳截值点为45mm，根据截值点将肿瘤直径大小分为≤45mm和＞45mm两组；患者年龄最佳截值点为65岁，分为＜＝65岁组和＞65岁组；人种分为白种人，黑种人和其它人种；确诊年限分为2004-2009、2010-2015年；随访时间分为＜1年，1-5年，5-10年，≥15年。然后，按照预设的比例将分类后的患者数据随机分为训练队列和验证队列。例如，按照7：3的比例，分为训练队列19977例和验证队列8562例。训练队列和验证队列如表1所示，其中，均p＞0.05，表示差异均无统计学意义。
56.表1 28539例接受放疗或者化疗的乳腺癌患者的基线资料
57.58.[0059][0060]
在步骤s12中，基于所述训练队列和cox回归分析，构建列线图模型，包括：
[0061]
在所述训练队列中根据单因素cox回归分析进行初步筛选，得到初始影响因素；
[0062]
基于多因素cox比例风险回归模型对所述初始影响因素进行筛选，得到预后影响因素以及与每一所述预后影响因素对应的分析结果；
[0063]
根据所述预后影响因素和所述分析结果，构建列线图模型。
[0064]
其中，所述列线图模型包括乳腺癌患者的每一预后影响因素对应的死亡风险分值、死亡风险总分值对应的预测心血管死亡概率，如图2所示，该列线图可预测接受放疗或化疗的乳腺癌患者5年、8年和10年心血管死亡风险。
[0065]
在具体实施中，可以将基线资料中的训练队列和验证队列各分类变量组间的差异用χ2检验进行分析比较。在训练队列中先采用单因素cox回归分析进行初步筛选，再将具有统计学差异的变量，即初始影响因素，纳入多因素cox比例风险回归模型筛选后，得到预后影响因素，根据多因素cox比例风险回归分析的结果绘制列线图。
[0066]
如表2所示，在单因素cox比例风险回归分析中，诊断年龄、种族、婚姻状态、肿瘤直径、分期均与接受放疗或化疗后乳腺癌患者的心血管死亡相关，均p＜0.001。为了校正混杂因素，进一步进行多因素cox比例风险回归分析显示，诊断年龄、种族、分期、婚姻状态、肿瘤直径均是接受放疗或化疗的乳腺癌患者的心血管死亡的影响因素，均p＜0.05。诊断年龄＞65岁、黑种人未婚状态、肿瘤分期为远处转移、肿瘤直径＞45mm，放化疗后乳腺癌患者死于cvd的风险越高。而诊断年份、组织学亚型、淋巴结状态及分化程度、雌激素受体(er)状态、孕激素受体(pr)状态、人类表皮生长因子受体状态(her2)、手术与否以及肿瘤偏侧性与接受放疗或化疗的乳腺癌患者是否死于cvd没有显著相关性，均p＞0.05。
[0067]
表2接受放疗或者化疗的乳腺女性癌患者单因素和多因素预后影响因素分析
[0068]
[0069]
[0070][0071]
在具体应用中，在进行单因素回归分析时，可以使用spss中的单因素回归分析模块，设置添加自变量(诊断年份、诊断年龄等危险因素)与因变量(是否死于心血管疾病)，选定检验水准(p＜0.05)，输出结果；在进行多因素回归分析时，采用spss中的多因素回归分析模块，将单因素回归分析中有意义的危险因素添加进自变量，因变量不变，选定检验水准(p＜0.05)，输出结果。
[0072]
可以理解的是，通过上述两次筛选后，得到的预后影响因素，包括诊断年龄、婚姻状况、人种、肿瘤分期和肿瘤直径。
[0073]
在步骤s13中，根据所述列线图模型和所述患者数据进行评分，并将每一预后影响因素所对应的死亡风险分值相加，得到与所述患者数据对应的死亡风险总分值。
[0074]
在步骤s14中，根据所述列线图模型和所述死亡风险总分值，得到与所述死亡风险总分值对应的预测心血管死亡概率。
[0075]
其中，所述列线图模型包括乳腺癌患者的每一预后影响因素对应的死亡风险分值、死亡风险总分值对应的预测心血管死亡概率。示例性地，每一预后影响因素对应的死亡风险分值如表3所示。
[0076]
表3列线图模型中预后影响因素的具体分值示例
[0077][0078]
参照图2，基于多因素cox比例风险回归分析构建的列线图示，诊断年龄被分配了最大分数10分，其次分别为肿瘤分期、人种、婚姻状态和肿瘤直径。该列线图可预测接受放疗或化疗的乳腺癌患者5年、8年和10年心血管死亡风险。将患者的5个变量所对应的分值相加，得到的总分可对应得到其5年、8年和10年心血管死亡风险。例如，数据库中某位患者，70岁为10.0分，已婚为0分，肿瘤直径60mm为2.2分、黑种人为2.5分和原位癌为0分，总得分14.7分，5年cvd为93％～95％，8年cvd为85％～87％，10年cvd为82％～85％。
[0079]
为了便于对本发明的理解，下面将对本发明的一些优选实施例做更进一步的描述。
[0080]
在一种实现方式中，在构建列线图模型之后，所述方法还包括：
[0081]
对所述乳腺癌患者数据进行分类筛选，得到验证队列；
[0082]
根据所述验证队列计算得到内外验证的一致性指数；
[0083]
根据所述一致性指数对所述列线图模型的一致性进行判断。
[0084]
可以理解的是，通过使用一致性指数(concordance index,c-index)进行验证，以对列线图的精确度进行评估。c-index是指所有对象中，预测结果与实际结果一致所占的比例。它估计了预测结果与实际观察到的结果相一致的概率。c-index的计算是用r语言实现的，其原理是将所研究的资料中的所有研究对象随机地两两组成对子，对于其中一对研究对象，如果死于心血管疾病的放化疗后的乳腺癌一位患者的预测心血管死亡风险高于风险低的一位，则称之为预测结果与实际结果一致。c-index的数值范围是0.5～1.0，0.5代表随机结果，1.0代表模型可以完全正确地预测乳腺癌的预后结果，当c-index≥0.7时被认为模型具有较好的一致性。
[0085]
在另一种实现方式中，在构建列线图模型之后，所述方法还包括：
[0086]
根据所述验证队列计算得到内外验证的校准曲线；
[0087]
获取乳腺癌患者的观测生存曲线；
[0088]
根据所述校准曲线与所述观测生存曲线的重合程度对所述列线图模型的准确度进行判断。
[0089]
可以理解的是，校准曲线通过比较预测生存与观测生存曲线进行绘制。预测曲线与实际曲线越接近则提示模型越准确。
[0090]
本实施例提供的列线图模型训练队列c-index为0.780，95％ci[0.751,0.809]，验证队列c-index为0.809，95％ci[0.768,0.850]，反映了模型较高的精确度。如图3所示，虚线表示实际cvd结局(y轴)和列线图预测cvd结局(x轴)之间的完美匹配，蓝色折线越拟合虚线则列线图预测的准确性越高。训练队列内部验证和验证队列外部验证的校准曲线均显示，列线图预测5年、8年和10年心血管死亡预测率与实际心血管死亡预测率高度接近，显示该列线图模型良好的预测效能。
[0091]
在另一种实现方式中，所述方法还包括：
[0092]
根据所述死亡风险总分值构建乳腺癌患者的风险分层；其中，所述风险分层包括低风险组、中风险组和高风险组；
[0093]
在所述验证队列中对所述风险分层进行差异统计，得到总体p值和组间两两对比p值；
[0094]
当所述总体p值和所述组间两两对比p值均小于预设的检验阈值时，判定所述风险分层的准确度符合要求，并根据所述风险分层对患者进行风险分层管理。
[0095]
可以理解的是，基于患者个体化列线图的最终总得分，即死亡风险总分值，进而构建乳腺癌患者的风险分层。在训练队列中通过x-tile软件确定列线图总得分的最佳截值点为5分和12.5分，将风险分层划分为低风险组0～5分、中风险组5.1～12.4分和高风险组12.5～20.8分，在验证队列中验证后采用χ2检验和cox分析对比3个风险组之间的统计学差异，得到总体p值和组间两两对比p值。如图4示，在训练队列中，低风险组心血管死亡风险低于中风险组和高风险组，高风险组心血管死亡风险最高，总体p值和组间两两对比p值均＜0.001，3个风险组总体p值和组间两两对比p值均＜0.001，提示该风险分层可相对准确的反映接受放化疗的乳腺女性患者心血管死亡情况。
[0096]
本发明提供的乳腺癌心血管死亡风险预测方法，在监测、流行病学和最终结果(seer)数据库的基础上进行了一项多中心、大样本的回顾性研究，即采用cox回归分析和列线图(nomogram)来量化和可视化心血管死亡风险，从而明确化疗或放疗后乳腺癌幸存者的心血管死亡的危险因素，能够实现适用范围更广、预测准确性更高的心血管死亡风险预测，并提供可靠的cvd风险的预测评估，为临床上进行心血管死亡风险的定期监测和实施个体化精确治疗提供了科学依据。
[0097]
参照图5，本发明第二实施例提供了一种乳腺癌心血管死亡风险预测装置，包括：
[0098]
数据筛选模块，用于获取乳腺癌放疗或化疗患者数据并进行分类筛选，得到训练队列；
[0099]
模型构建模块，用于基于所述训练队列和cox回归分析，构建列线图模型；其中，所述列线图模型包括乳腺癌患者的每一预后影响因素对应的死亡风险分值、死亡风险总分值
对应的预测心血管死亡概率；
[0100]
评分模块，用于根据所述列线图模型和所述患者数据进行评分，并将每一预后影响因素所对应的死亡风险分值相加，得到与所述患者数据对应的死亡风险总分值；
[0101]
概率预测模块，用于根据所述列线图模型和所述死亡风险总分值，得到与所述死亡风险总分值对应的预测心血管死亡概率。
[0102]
优选地，所述模型构建模块包括：
[0103]
初步筛选单元，用于在所述训练队列中根据单因素cox回归分析进行初步筛选，得到初始影响因素；
[0104]
二次筛选单元，用于基于多因素cox比例风险回归模型对所述初始影响因素进行筛选，得到预后影响因素以及与每一所述预后影响因素对应的分析结果；
[0105]
模型构建单元，根据所述预后影响因素和所述分析结果，构建列线图模型。
[0106]
需要说明的是，本发明实施例提供的一种乳腺癌心血管死亡风险预测装置用于执行上述实施例的一种乳腺癌心血管死亡风险预测方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
[0107]
本发明实施例还提供了一种终端设备。该终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如乳腺癌心血管死亡风险预测程序。所述处理器执行所述计算机程序时实现上述各个乳腺癌心血管死亡风险预测方法实施例中的步骤，例如图1所示的步骤s11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如模型构建模块。
[0108]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
[0109]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及智能平板等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0110]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(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、分立硬件组件等。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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
[0111]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；
存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0112]
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0113]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0114]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。