本技術(shù)涉及生物信息,尤其是涉及到一種免疫治療療效預測系統(tǒng)及方法。
背景技術(shù):
1、免疫檢查點抑制劑(immune?checkpoint?inhibitors,ici)治療是目前臨床新型的腫瘤治療方法,但是患者的治療療效因人而異,有的能在治療中實現(xiàn)腫瘤完全消退,達到病理完全緩解,甚至豁免手術(shù)保留器官;有的病人則可能不僅達不到不好的治療效果,反而由于治療引發(fā)免疫相關(guān)不良事件。
2、在相關(guān)技術(shù)中,最重要且公認度最高的影響免疫治療療效的獨立因素是治療前腫瘤微環(huán)境中浸潤淋巴細胞(tumorinfiltration?lymphocyte,til)的浸潤密度是影響免疫治療療效的獨立因素,浸潤密度越高則腫瘤退縮越明顯,達到病理完全緩解(pathologicalcomplete?response,pcr)的概率越高,且發(fā)生免疫治療相關(guān)不良事件(immune-relatedadverse?events,iraes)的風險越低。但是,目前該過程很難對患者進行整體的til浸潤密度評估,即使是術(shù)前腫瘤穿刺活檢,也只反映極小組織中til浸潤密度,無法在治療前對患者的免疫治療療效進行準確預測。
技術(shù)實現(xiàn)思路
1、有鑒于此,本技術(shù)提供了一種免疫治療療效預測系統(tǒng)及方法,用于解決現(xiàn)有技術(shù)無法在治療前對患者的免疫治療療效進行準確預測的問題。
2、根據(jù)本技術(shù)的第一個方面,提供了一種免疫治療療效預測系統(tǒng),包括:資料獲取模塊、圖像獲取模塊、第一預測模塊以及療效預測模塊,其中,
3、所述資料獲取模塊用于獲取待預測患者的臨床資料信息;
4、所述圖像獲取模塊用于獲取標注有腫瘤感興趣區(qū)域的兩組磁共振彌散加權(quán)圖像,所述兩組磁共振彌散加權(quán)圖像包括磁共振彌散加權(quán)時間擴散譜成像功能得到的脈沖梯度自旋回波序列圖像和振蕩梯度自旋回波序列圖像;
5、所述第一預測模塊用于將所述資料獲取模塊得到的臨床資料信息與所述圖像獲取模塊得到的兩組磁共振彌散加權(quán)圖像輸入至預先訓練的預測模型,以通過所述預測模型根據(jù)所述臨床資料信息和所述腫瘤感興趣區(qū)域內(nèi)的微環(huán)境細胞參數(shù)對待預測患者在免疫治療后手術(shù)病理評價的病理完全緩解信息進行預測,所述微環(huán)境細胞參數(shù)為對所述兩組磁共振彌散加權(quán)圖像中代表腫瘤的感興趣區(qū)域內(nèi)的圖像特征進行擬合得到的;
6、所述療效預測模塊用于根據(jù)所述第一預測模塊預測得到的手術(shù)病理評價的病理完全緩解信息對待預測患者進行免疫治療療效預測。
7、進一步地,所述圖像獲取模塊包括圖像獲取單元、區(qū)域勾畫單元以及圖像匹配單元,其中,
8、所述圖像獲取單元用于通過預設存儲路徑獲取待預測患者的兩組磁共振彌散加權(quán)圖像;
9、所述區(qū)域勾畫單元用于通過操作者勾畫方式對所述圖像獲取單元得到的兩組磁共振彌散加權(quán)圖像中的一組磁共振彌散加權(quán)圖像逐幀進行腫瘤輪廓范圍的勾畫標注得到腫瘤感興趣區(qū)域,以使得兩組磁共振彌散加權(quán)圖像中的一組磁共振彌散加權(quán)圖像標注有腫瘤感興趣區(qū)域;
10、所述圖像匹配單元用于根據(jù)所述區(qū)域勾畫單元得到的標注有腫瘤感興趣區(qū)域的一組磁共振彌散加權(quán)圖像對另一組磁共振彌散加權(quán)圖像進行腫瘤感興趣區(qū)域復制及匹配,以使得兩組磁共振彌散加權(quán)圖像的相同層面標注有相同的腫瘤感興趣區(qū)域。
11、進一步地,所述系統(tǒng)還包括:圖像后處理模塊,其中,
12、所述圖像后處理模塊用于在所述圖像獲取模塊得到標注有腫瘤感興趣區(qū)域的兩組磁共振彌散加權(quán)圖像之后,使用最小二乘曲線擬合對腫瘤感興趣區(qū)域內(nèi)圖像特征進行預設次數(shù)的擬合,得到腫瘤感興趣區(qū)域內(nèi)的微環(huán)境細胞參數(shù),所述微環(huán)境細胞參數(shù)包括腫瘤感興趣區(qū)域內(nèi)平均細胞直徑、細胞內(nèi)體積分數(shù)、細胞外擴散率以及細胞密度。
13、進一步地,所述系統(tǒng)還包括:綜合分析模塊,
14、所述綜合分析模塊用于在資料獲取模塊得到待預測患者的臨床資料信息之后,對所述資料獲取模塊得到的臨床資料信息進行單因素回歸分析,以得到獨立影響患者免疫治療后達到病理完全緩解的臨床因子,將所述達到病理完全緩解的臨床因子術(shù)與所述圖像后處理模塊得到的腫瘤感興趣區(qū)域內(nèi)的微環(huán)境細胞參數(shù)進行多元邏輯回歸分析,得到獨立影響患者在免疫治療后達到病理完全緩解的細胞參數(shù)和臨床因子。
15、進一步地,所述系統(tǒng)還包括:訓練樣本獲取模塊、模型訓練模塊以及模型構(gòu)建模塊,其中,
16、所述訓練樣本獲取模塊用于在將所述資料獲取模塊得到的臨床資料信息與所述圖像獲取模塊得到的兩組磁共振彌散加權(quán)圖像輸入至預先訓練的預測模型之前,獲取機器學習模型的訓練樣本數(shù)據(jù),所述訓練樣本數(shù)據(jù)包括訓練輸入數(shù)據(jù)和訓練輸出數(shù)據(jù);
17、所述模型訓練模塊用于將所述訓練樣本獲取模塊得到的訓練樣本數(shù)據(jù)輸入至機器學習模型中,以通過所述機器學習模型對所述訓練輸入數(shù)據(jù)與所述訓練輸出數(shù)據(jù)之間的映射關(guān)系進行訓練;
18、所述模型構(gòu)建模塊用于當訓練滿足迭代停止條件時,根據(jù)所述模型訓練模塊訓練得到的映射關(guān)系構(gòu)建預測模型。
19、進一步地,所述訓練樣本獲取模塊包括:輸入數(shù)據(jù)構(gòu)建單元和輸出數(shù)據(jù)構(gòu)建單元,其中,
20、所述輸入數(shù)據(jù)構(gòu)建單元用于根據(jù)不同患者樣本的臨床資料信息以及標注有相應腫瘤感興趣區(qū)域的兩組磁共振彌散加權(quán)圖像,構(gòu)建訓練輸入數(shù)據(jù);
21、所述輸出數(shù)據(jù)構(gòu)建單元用于根據(jù)不同患者樣本在治療后手術(shù)病理評價的病理完全緩解信息,構(gòu)建訓練輸出數(shù)據(jù)。
22、進一步地,所述輸出數(shù)據(jù)構(gòu)建單元是根據(jù)不同患者樣本在治療后手術(shù)病理評價的病理完全緩解信息對免疫治療療效進行二分類,構(gòu)建訓練輸出數(shù)據(jù),所述訓練輸出數(shù)據(jù)中病理完全緩解表征免疫治療療效達到預期效果,非病理完全緩解表征免疫治療療效未達到預期效果。
23、進一步地,所述模型訓練模塊中的機器學習模型包括但不限于決策樹法、隨機森林法、支持向量機法、樸素貝葉斯法中任意一種。
24、進一步地,所述系統(tǒng)還包括:驗證參數(shù)獲取模塊、比對模塊以及評估模塊,其中,
25、所述驗證參數(shù)獲取模塊用于獲取待驗證患者治療后手術(shù)病理評價的病理完全緩解信息;
26、所述比對模塊用于將所述驗證參數(shù)獲取模塊得到的待預測患者治療后手術(shù)病理評價的病理完全緩解信息作為實測結(jié)果,與預測得到的手術(shù)病理評價的病理完全緩解信息進行比對,得到模型預測的接受者操作特性曲線;
27、所述評估模塊用于根據(jù)所述模型預測的接受者操作特性曲線,對預先訓練的預測模型進行預測準確性評估。
28、根據(jù)本技術(shù)的第二個方面,提供了一種免疫治療療效預測方法,包括:
29、s1、資料獲取模塊獲取待預測患者的臨床資料信息,將所述臨床資料信息傳遞至第一預測模塊;
30、s2、圖像獲取模塊獲取標注有腫瘤感興趣區(qū)域的兩組磁共振彌散加權(quán)圖像,將所述兩組磁共振彌散加權(quán)圖像傳遞至第一預測模塊,所述兩組磁共振彌散加權(quán)圖像包括磁共振彌散加權(quán)時間擴散譜成像功能得到的脈沖梯度自旋回波序列圖像和振蕩梯度自旋回波序列圖像;具體包括:
31、s2.1、圖像獲取單元通過預設存儲路徑獲取待預測患者的兩組磁共振彌散加權(quán)圖像;
32、s2.2、區(qū)域勾畫單元通過操作者勾畫方式對所述圖像獲取單元得到的兩組磁共振彌散加權(quán)圖像中的一組磁共振彌散加權(quán)圖像逐幀進行腫瘤輪廓范圍的勾畫標注得到腫瘤感興趣區(qū)域,以使得兩組磁共振彌散加權(quán)圖像中的一組磁共振彌散加權(quán)圖像標注有腫瘤感興趣區(qū)域;
33、s2.3、圖像匹配單元根據(jù)所述區(qū)域勾畫單元得到的標注有腫瘤感興趣區(qū)域的一組磁共振彌散加權(quán)圖像對另一組磁共振彌散加權(quán)圖像進行腫瘤感興趣區(qū)域復制及匹配,以使得兩組磁共振彌散加權(quán)圖像的相同層面標注有相同的腫瘤感興趣區(qū)域;
34、s3、第一預測模塊將所述資料獲取模塊得到的臨床資料信息與所述圖像獲取模塊得到的兩組磁共振彌散加權(quán)圖像輸入至預先訓練的預測模型,以通過所述預測模型根據(jù)所述臨床資料信息和所述腫瘤感興趣區(qū)域內(nèi)的微環(huán)境細胞參數(shù)對待預測患者在免疫治療后手術(shù)病理評價的病理完全緩解信息進行預測,所述微環(huán)境細胞參數(shù)為對所述兩組磁共振彌散加權(quán)圖像中代表腫瘤的感興趣區(qū)域內(nèi)的圖像特征進行擬合得到的;
35、s4、療效預測模塊根據(jù)所述第一預測模塊預測得到的手術(shù)病理評價的病理完全緩解信息對待預測患者進行免疫治療療效預測;
36、在步驟s2之后,所述方法還包括:
37、s5、圖像后處理模塊使用最小二乘曲線擬合對腫瘤感興趣區(qū)域內(nèi)圖像特征進行預設次數(shù)的擬合,得到腫瘤感興趣區(qū)域內(nèi)的微環(huán)境細胞參數(shù),所述微環(huán)境細胞參數(shù)包括腫瘤感興趣區(qū)域內(nèi)平均細胞直徑、細胞內(nèi)體積分數(shù)、細胞外擴散率以及細胞密度;
38、在步驟s1之后,所述方法還包括:
39、s6、綜合分析模塊對所述資料獲取模塊得到的臨床資料信息進行單因素回歸分析,以得到獨立影響患者免疫治療后達到病理完全緩解的臨床因子,將所述達到病理完全緩解的臨床因子術(shù)與所述圖像后處理模塊得到的腫瘤感興趣區(qū)域內(nèi)的微環(huán)境細胞參數(shù)進行多元邏輯回歸分析,得到獨立影響患者在免疫治療后達到病理完全緩解的細胞參數(shù)和臨床因子;
40、在步驟s3之前,所述方法還包括:
41、s7、訓練樣本獲取模塊獲取機器學習模型的訓練樣本數(shù)據(jù),所述訓練樣本數(shù)據(jù)包括訓練輸入數(shù)據(jù)和訓練輸出數(shù)據(jù);具體包括:
42、s7.1、根據(jù)不同患者樣本的臨床資料信息以及標注有相應腫瘤感興趣區(qū)域的兩組磁共振彌散加權(quán)圖像,構(gòu)建訓練輸入數(shù)據(jù);
43、s7.2、根據(jù)不同患者樣本在治療后手術(shù)病理評價的病理完全緩解信息,構(gòu)建訓練輸出數(shù)據(jù);具體包括:根據(jù)不同患者樣本在治療后手術(shù)病理評價的病理完全緩解信息對免疫治療療效進行二分類,構(gòu)建訓練輸出數(shù)據(jù),所述訓練輸出數(shù)據(jù)中病理完全緩解表征免疫治療療效達到預期效果,非病理完全緩解表征免疫治療療效未達到預期效果;
44、s8、模型訓練模塊將所述訓練樣本獲取模塊得到的訓練樣本數(shù)據(jù)輸入至機器學習模型中,以通過所述機器學習模型對所述訓練輸入數(shù)據(jù)與所述訓練輸出數(shù)據(jù)之間的映射關(guān)系進行訓練,所述機器學習模型包括但不局限于決策樹法、隨機森林法、支持向量機法、樸素貝葉斯法中任意一種;
45、s9、模型構(gòu)建模塊當訓練滿足迭代停止條件時,根據(jù)所述模型訓練模塊訓練得到的映射關(guān)系構(gòu)建預測模型。
46、本發(fā)明的有益效果:與目前現(xiàn)有方式的免疫療效療效預測過程相比,本技術(shù)通過將標注有腫瘤感興趣區(qū)域的兩組磁共振彌散加權(quán)圖像相結(jié)合來探測細胞體內(nèi)多種微觀結(jié)構(gòu)對水分子擴散的獨特影響,以實時監(jiān)控腫瘤感興趣區(qū)域內(nèi)微環(huán)境細胞參數(shù)變化,在預先訓練的預測模型基礎上,利用腫瘤感興趣區(qū)域內(nèi)微環(huán)境細胞參數(shù)變化和臨床資料信息相結(jié)合對待預測患者在免疫治療后手術(shù)病理評價的病理完全緩解信息進行預測,從而將手術(shù)病理評價的病理完全緩解信息應用至待預測患者的療效預測,以實現(xiàn)在治療前預測患者的免疫治療療效。
47、上述說明僅是本技術(shù)技術(shù)方案的概述,為了能夠更清楚了解本技術(shù)的技術(shù)手段,而可依照說明書的內(nèi)容予以實施,并且為了讓本技術(shù)的上述和其它目的、特征和優(yōu)點能夠更明顯易懂,以下特舉本技術(shù)的具體實施方式。