[发明专利]基于多模态机器学习的临床预测器

权利要求书

1.一种执行临床预测的计算机实现的方法，包括：

接收患者的第一分子数据，所述第一分子数据至少包括所述患者的基因表达；

接收所述患者的第一活检图像数据；

使用机器学习模型处理所述第一分子数据和所述第一活检图像数据，以对所述患者的治疗反应进行临床预测，其中所述机器学习模型是基于多个患者的、第二活检图像数据和至少包括多个基因表达的第二分子数据而被生成或更新的；以及

生成所述临床预测的输出。

2.如权利要求1所述的方法，其特征在于，所述临床预测包括：预测所述患者对卵巢癌的铂类药物治疗是耐药的还是不耐药的。

3.如权利要求2所述的方法，其特征在于，如果所述卵巢癌在预先确定的时段期间复发或进展，则所述患者对所述卵巢癌的所述铂类药物治疗是耐药的；并且

其中，如果在所述预先确定的时段期间没有发生所述卵巢癌的复发或进展，则所述患者对所述卵巢癌的所述铂类药物治疗是不耐药的。

4.如权利要求3所述的方法，其特征在于，所述临床预测的所述输出包括：指示所述患者对卵巢癌的所述铂类药物治疗的不耐药可能性的百分比值；并且

其中所述方法进一步包括：

将所述百分比值与阈值进行比较；

响应于确定所述百分比值超过所述阈值，向健康护理提供者输出所述患者很可能对所述铂类药物治疗不耐药的指示，以促使所述健康护理提供者对所述患者施用所述铂类药物治疗。

5.如权利要求4所述的方法，其特征在于，所述方法进一步包括：响应于确定所述百分比值超过所述阈值，对所述患者施用所述铂类药物治疗。

6.如权利要求2或3所述的方法，其特征在于，所述临床预测包括：预测患肺癌的所述患者响应于免疫疗法治疗的第一存活率以及所述患者响应于化疗治疗的第二存活率。

7.如权利要求1-3中任一项所述的方法，其特征在于，所述第一分子数据和第二分子数据包括以下各项中的至少一项：一个或多个RNA-seq(核糖核酸(RNA)-测序)数据、一或多个微RNA-seq(miRNA测序)数据、蛋白质表达数据、基因突变数据、脱氧核糖核酸(DNA)甲基化数据、或拷贝数变异(CNV)数据、或患者体内是否存在抗体分子。

8.如权利要求1-3或7中任一项所述的方法，其特征在于，第一活检图像数据和第二活检图像数据包括原发性肿瘤的活检图像数据。

9.如权利要求8所述的方法，其特征在于，原发性肿瘤的所述第一活检图像数据和所述第二活检图像数据是经苏木精和曙红染色的(HE)组织病理学数据。

10.如权利要求9所述的方法，其特征在于，经训练的机器学习模型是第一机器学习模型；并且

其中，所述第一活检图像数据和所述第二活检图像数据包括使用第二机器学习模型从所述HE组织病理学数据中提取的特征数据。

11.如权利要求10所述的方法，其特征在于，所述第二机器学习模型包括：

用于生成第一中间输出的第一阶段模型，所述第一中间输出表示从所述第一活检图像数据的像素数据和所述第二活检图像数据的像素数据中对形状或边界中的至少一者的标识；

第二阶段模型，用于对所述第一中间输出执行识别操作以生成第二中间输出，所述识别操作包括以下各项中的至少一项：用于标识组织的组织分割操作、用于标识细胞的细胞提取操作、或用于标识细胞成分的细胞成分提取操作；以及

第三阶段模型，用于基于所述第二中间输出计算特征数据，所述特征数据包括以下各项中的至少一项：通过所述组织分割操作标识的组织、通过所述细胞提取操作提取的细胞的计数、通过所述细胞提取操作提取的所述细胞的密度。