执行肺结节评估的方法与流程

本发明涉及执行肺结节评估的方法、训练用于执行肺结节评估的方法的分类器的方法、肺结节评估装置、计算机程序产品和计算机可读介质。

背景技术：

1、为了患者被成功治疗，在早期阶段检测肺癌是重要的。如果及早发现，治愈肺癌的可能性远高于晚期。肺癌可以从肺结节发展而来，肺结节可以在诸如2d x射线图像、3d计算机断层扫描或者使用诸如磁共振成像、超声、光声断层扫描、扩散加权断层扫描、正电子发射断层扫描等技术获得的任何扫描的肺扫描中可见。

2、然而，许多其他疾病也可能导致肺结节的形成。例如，肺结节可能由分枝杆菌感染、真菌感染、圆形肺炎、肺脓肿、脓毒性栓塞、诺卡氏菌感染、包虫囊肿或包虫病、贝氏柯克斯体q热(q fever from coxiella burnetii)等引起。肺结节也可能由免疫系统病症例如类风湿性关节炎、肉芽肿性多血管炎、结节性结节病、机化性肺炎(隐源性或继发性)、淋巴样肉芽肿病、坏死性结节病样肉芽肿病引起。肺结节的其他病因可能是先天性异常，例如动静脉畸形、支气管囊肿、肺隔离症、肺静脉曲张、支气管闭锁伴支气管囊肿；未来的病因可能是圆形肺不张、实质内淋巴结、进行性肿块纤维化、炎性假瘤、淀粉样变性、类脂性肺炎等。

3、可以在诸如x射线图像或ct图像的肺扫描中检测肺部结节或肺结节。然而，良性结节在外观方面与恶性结节类似。已知在考虑关于患者的其他信息(例如，患者的年龄、吸烟史等)的情况下估计肺部结节的基于图像的恶性评分或“风险评分”。这样的方法的示例是mayo/swensen模型、brock模型和va(退伍军人管理局)模型。然而，绝大多数检测到的肺部结节(80％至95％)是良性的，使得估计的风险评分常常不正确。为了改善肺部结节分类，已知将图像标记信息(例如，从ct肺扫描中标识的标记或特征)和血液标记信息(例如，诸如在血液测试或血液检测套餐(blood panel)中标识的基因组标记、表观基因组标记、转录组标记、代谢组标记或蛋白质组标记的标记或特征)组合，以获得更准确的风险评分。然而，已知技术的准确性取决于血液标记数据的相关性以及取决于临床医生评估肺结节背景下的附加信息的能力。即使利用这种组合的方法，误诊率仍然高得无法接受，从而导致假阳性诊断，而且导致假阴性诊断。

4、假阳性误诊(肺结节被赋予高风险评分)通常会导致患者的后续治疗需要更多的费用、额外的辐射暴露，并且还可能导致手术并发症。除了不必要治疗的高额费用之外，患者可能会不必要地遭受心理焦虑。假阴性误诊(肺结节被赋予低风险评分)可能意味着早期肺癌仍然未被检测到，这可能导致患者(特别是对于没有参加常规筛查项目的患者)的前景显著恶化。

5、人工智能(ai)可以应用于分析大量数据，以便标识否则使用常规“手动”技术难以或不可能检测到的关系。例如，ai分类器可以被训练成识别输入数据中的某种类型的模式。分类器可以以各种方式被实现为例如决策树、支持向量机、贝叶斯分类器、神经网络等。已知使用ai分析肺扫描以便标识肺结节。然而，由于“无害”的肺结节通常在视觉上无法与恶性癌区分开，因此这样的方法的临床有用性是有限的。

技术实现思路

1、因此，本发明的目的是提高肺部结节分类的准确性。

2、该目的通过所要求保护的执行肺结节评估的方法、所要求保护的训练分类器的方法以及所要求保护的肺结节评估装置来实现。

3、根据本发明，执行肺结节评估的方法包括以下步骤：从成像模态获得患者的肺扫描；获得该患者的血液检测套餐；在诸如残差神经网络(resnet)、卷积神经网络、贝叶斯分类器等的ai分类器中处理肺扫描和血液检测套餐。分类器被训练成：基于肺扫描和血液检测套餐来评估肺结节，并且以有意义的方式(例如作为癌症风险评分、作为恶性肿瘤的概率等)输出分类的结果。

4、肺扫描(或“肺部扫描”)可以是诸如胸腔的x射线的2d图像、诸如肺部ct(计算机断层扫描)扫描的3d图像等。术语“肺扫描”和“肺部扫描”是同义词，并且在本文中可以互换使用。类似地，术语“肺结节”和“肺部结节”可以互换使用。

5、如以上所说明的，肺结节可能指示癌症，但同样可能与非癌症病症有关，即肺结节通常是不确定的。本发明方法将成像信息和实验室诊断信息结合起来，以管理不确定的肺部结节，即得出肺部结节的可靠评估(例如，风险评分)。本发明方法的优点在于其可靠地区分良性肺结节和恶性肺结节。通过应用机器学习，ai分类器能够标识肺扫描和血液检测套餐中的信息，并且能够将该信息进行组合以得出对肺结节的准确评估。

6、根据本发明，训练用于本发明肺结节评估方法的分类器的方法包括以下步骤：

7、a)注释肺扫描以标识肺结节以及与肺结节相关联的多个图像标记；

8、b)注释血液检测套餐以标识与肺癌相关联的多个血液标记；

9、c)确定对肺结节的评估，以由分类器用作真值(ground truth)；

10、d)将分类器应用于肺扫描、血液检测套餐和相关联的真值；以及

11、重复步骤a至d，直到已经达到期望的准确性水平。

12、根据本发明，肺结节评估装置包括：成像模块，其被配置成提供患者的肺扫描；血液分析器，其被配置成提供该患者的血液检测套餐；处理单元，其被配置成当根据本发明训练方法训练的分类器被加载到处理单元的存储器中时执行肺结节评估方法的步骤；以及用户接口，其被配置成至少显示肺结节评估结果。在下文中，“肺结节评估方法”可以被简称为“评估方法”。

13、本发明的目的还通过一种计算机程序产品来实现，该计算机程序产品包括可直接加载到肺结节评估装置的控制单元的存储器中的计算机程序，该计算机程序包括用于当计算机程序由控制单元执行时执行本发明肺结节评估方法的步骤的程序元素。

14、本发明的目的还通过一种计算机可读介质来实现，在该计算机可读介质上存储有程序元素，所述程序元素可以由计算机单元读取和执行，以便当程序元素由计算机单元执行时执行本发明肺结节评估方法的步骤。

15、如以下描述中所揭示的，本发明的特别有利的实施方式和特征由本发明的技术方案给出。可以适当地组合不同权利要求类别的特征，以给出本文中未描述的其他实施方式。

16、在下文中，可以假设从诸如ct扫描仪的高分辨率成像设备获得肺扫描。血液检测套餐可以以机器可读文件的形式被提供，例如由被配备成分析血液样本的实验室提供。肺扫描和血液检测套餐优选地在大约相同的时间(例如在几周内)被获得。

17、利用训练群组来训练分类器，优选地，训练群组包括至少100个数据集，更优选地，训练群组包括至少1000个数据集，最优选，训练群组包括至少10000个数据集。数据集应该被理解为包括患者的至少一个肺扫描以及该患者的至少一个血液检测套餐。训练数据集还可以包括同一患者的一个或更多个较旧肺扫描和一个或更多个较旧血液检测套餐。

18、在下面说明了用于处理输入数据集的方法：诸如放射科医生或其他临床医生的经训练的人员检查从肺扫描(例如，ct、mri、超声、光声断层扫描、扩散加权断层扫描、正电子发射断层扫描)获得的图像，以标识肺结节。以适当的方式，例如，可以在序列的每个图像(在诸如ct扫描的3d图像的情况下)中围绕结节绘制轮廓来注释图像中可见的任何肺结节。临床医生还优选地提供关于结节的病因的附加注释，例如“结节是癌”、“肺结节是包虫囊肿”等。还优选地添加诸如“结节是恶性的”或“结节是良性的”的全局注释。以类似的方式，每次肺扫描伴随向血液检测套餐添加注释。相关血液标记可以是蛋白质标记(激素、酶、抗体)、基因组标记、表观基因组标记、转录物rna标记、微生物标记等。优选地对高于或低于临界阈值——即在肺癌的情况下很关键的阈值——的每个血液标记进行注释。

19、注释图像数据和血液检测套餐的该步骤将数据集转换成训练数据，该训练数据与在其病因和严重性方面评估肺结节的本质的目的相关。对于每个数据集，临床医生可以针对图像数据中可见的肺结节制定评估，例如风险评分、恶性概率等。该评估是分类器的真值。

20、肺结节可以呈现为肺内的小黑色区域。在评估其本质时，各种特性可能是相关的。因此，在本发明的优选实施方式中，分类器被配置成从肺扫描中提取或检索多个图像标记。图像标记可以包括以下中的任一项：血管集束；胸膜凹陷；空气支气管征；钙化类型；空腔形成；支气管内起源；肺裂位置；胸膜下位置；形态学；结节内的毛刺征、分叶征、关联的囊性气腔、气泡样征。优选地，分类器被配置成执行图像分割例如语义或上下文驱动的图像分割，以标识肺扫描中的任何这样的图像标记。

21、已知某些肺部并发症例如copd(慢性阻塞性肺疾病)会增加患肺癌的风险。因此，在本发明的特别优选的实施方式中，分类器自动标识与诸如肺气肿、气道炎症、胸腔积液、间质性肺疾病、感染、血管疾病等的呼吸疾病相关联的图像标记。标识的图像标记的数目和每个图像标记的相关性可以由分类器用来得出肺结节的更精确的风险评分。

22、在患有肺癌的患者中，随着时间的推移，可以观察到肺的物理变化。肺部疾病的早期指标是肺部体积(例如，肺叶体积或肺段体积)的大小的减小。因此，在本发明的另一优选实施方式中，分类器被配置成标识该患者的当前肺扫描和较旧肺扫描之间的差异。特别是在患者参与肺癌筛查项目的情况下，多个较旧的肺扫描对于该患者可能可用。例如，分类器可以被配置成在最近的肺扫描中确定特定肺部区域的体积，在同一患者的一个或更多个较旧肺扫描中确定相同肺部区域的体积，并且比较结果。分类器可以在其对肺结节的评估中包括肺体积随时间的任何减小。

23、肺结节可以被附带地检测到，例如，肺结节可以在由于不同原因(例如用于评估事故后的损伤)生成的ct图像中被注意到。替选地，在肺癌筛查项目的进程中对肺结节进行标识。癌症的概率在这两种情境下有些不同，因为参加癌症筛查项目的患者通常已经具有较高的患癌症风险。符合筛查要求的患者可以进行年度扫描，从而降低漏诊癌症的风险，因为在下次扫描时仍然可能检测到癌症。相比之下，在一些国家，附带发现的肺结节可能会跟随着更积极的患者管理方法，因为患者可能不会经受进一步的扫描。在这样的情况下，对附带发现的肺结节进行正确评估非常重要，因为任何排除癌症的决策都必须在具有高度确定性的情况下进行。因此，在本发明的特别优选的实施方式中，利用第一训练群组来训练分类器，在第一训练群组中，数据集是从肺癌筛查过程的参与者获得的；以及利用第二训练群组来训练分类器，在第二训练群组中，数据集是从经受附带肺扫描的患者获得的。这种“双管齐下”的训练允许以上下文特定方式配置的分类器，以便处理这些不同的情境。例如，分类器对于“筛查结节”和“附带结节”可以具有略微不同的操作点或决策阈值，即在筛查项目的进程中标识的肺结节的任何决策阈值可能与附带标识的肺结节的决策阈值略微不同。

24、已知某些生物标记例如某些血液标记仅在一些类型的肺癌中升高，可能仅在一种特定类型的肺癌的情况下升高。此外，已知由不同类型的肺癌引起的结节在肺内的特定位置处形成。例如，与一些类型的肺癌相关联的肺结节在中心位置处形成，而与其他类型的肺癌相关联的结节在外围位置处形成。因此，在本发明的另一优选实施方式中，分类器被配置成标识与肺扫描中检测到的肺结节相关联的癌症类型。例如，分类器可以被配置成确定肺结节是否指示小细胞癌、腺癌、鳞状细胞癌、大细胞癌等。

25、一些血液标记(例如，自身抗体)对于肺癌不是特定的，但是在其他非肺癌(例如，前列腺癌、胃癌、肝癌、睾丸癌、乳腺癌、结肠直肠癌等)的情况下也可能升高。此外，这样的血液标记在具有自身免疫疾病的患者体内也可能会升高。因此，在本发明的特别优选的实施方式中，分类器被训练成还基于肺外图像数据来执行肺结节评估。除了每个患者的当前肺扫描和血液检测套餐之外，训练数据集还可以包括一个或更多个肺外扫描。本发明肺结节评估方法优选地包括获得肺外图像数据的准备步骤。例如，来自乳房x线照相术的图像标记可能指示乳腺癌的晚期，并且可以假设肺结节不是血液标记升高的原因。同样，如果乳房x线照相术的图像标记仅指示非常微小的病变，则肺结节的风险评分可能更高。以这种方式，分类器被训练和配置成：不仅在来自肺扫描的成像标记和来自血液检测套餐的血液标记的情况下而且在来自肺外图像的标记的情况下评估肺结节。优点是本发明方法的特异性和评估准确性可以有利地高。

26、肺结节评估方法可以以说明结果的报告结束。例如，如果分类器已经在肺扫描中检测到肺结节，则它可以报告该肺结节的风险评分。风险评分可以是基于梅奥模型(mayoclinic model)、贝叶斯推断恶性计算器(bayesian inference malignancy calculator)或任何这样的成熟模型的孤立性肺结节(spn)恶性风险评分。用于患者管理的合适方法可能取决于风险评分、癌的可能本质、患者的其他疾病等。因此，在本发明的优选实施方式中，分类器还可以例如从概率方面报告与肺结节相关联的癌症类型。在本发明的优选实施方式中，分类器基于肺结节评估建议合适的患者管理过程，例如安排活检、pet扫描、ct监测等。如果辅助辐射治疗或预防性辐射治疗被建议，则分类器还可以计算针对特定肺结节的合适格雷剂量(gray dose)。这些各种类型的信息可以形成针对临床医生或用户生成的报告的一部分。

27、可以通过各种特征例如其位置、血管集束的程度、胸膜凹陷的程度等来表征在图像中看到的肺结节。这样的特征或图像标记的手动确定可能是繁琐且容易出错的。

28、因此，在本发明的特别优选的实施方式中，分类器自动标识或检索不太占优势的恶性结节图像标记或特征，例如血管集束、胸膜凹陷、空气支气管征、钙化类型、空腔形成、支气管内起源、肺裂位置、胸膜下位置等。

29、现有技术方法主要致力于量化肺结节的恶性并将其表示为风险评分。然而，已知一定比例的肺癌是在死后(post-mortem)发现的，即这样的患者不是因肺癌而死，而是患有肺癌。这样的患者可能已经患有具有仅缓慢生长的一个或更多个结节(即，结节是惰性的)的肺癌。因此，在本发明的另一优选实施方式中，分类器对肺结节的惰性进行量化，并且在计算风险分数时包括肺结节惰性。

30、例如，可以利用指示侵袭性水平的结果数据来训练分类器。为此，可以通过比较同一患者的年度肺扫描来确定结节的生长速率。

31、在本发明的另一优选实施方式中，确定结果数据并将结果数据提供给分类器。例如，在侵袭性结节的情况下，患者结果和/或转移程度可能是已知的。这样的结果数据优选地用于分类器的训练阶段。以这种方式，本发明的肺评估装置可以帮助决定积极的管理是否适合于患有惰性(恶性但缓慢生长)肺结节的患者。在考虑到诸如惰性程度、患者的年龄、转移程度等的相关因素的情况下，可能会建立用于治疗的更有利的方法。通过还包括对肺结节的惰性的评估，本发明的评估方法具有比现有技术方法显著更高的临床实用性。