[发明专利]基于多模态机器学习的临床预测器

说明书

提供了用于执行临床预测的方法和系统。在一个示例中，该方法包括：接收患者的第一分子数据；接收患者的第一活检图像数据；使用机器学习模型处理第一分子数据和第一活检图像数据，以执行临床预测，其中，机器学习模型是基于多个患者的第二分子数据和第二活检图像数据而被生成或更新的；以及生成临床预测的输出。

相关申请的交叉引用

本申请要求享有2018年9月29日提交的美国临时专利申请第62/739,189号的优先权权益，该美国临时专利申请的内容出于所有目的通过引用以其整体合并于此。

背景技术

癌症是一种令人恐惧的疾病，因为对于许多癌症类型而言，早期检测可能很困难，并且这些癌症在它们被诊断出时可能已经发展到晚期。例如，卵巢癌在女性中约占死亡的3％，并被称为“沉默杀手”，因为出现的症状通常被误认为其他良性状况。同样，肺癌的早期标志，诸如咳嗽和胸痛，也可能被误认为其他更良性的疾病(例如感冒)。另外，许多遵循护理标准(包括例如手术后进行基于铂的化疗)的癌症患者可能会对铂类治疗产生耐药(resistance)。因此，预测哪个患者可能产生耐药性和复发的能力可以促使在患者旅程中更早地考虑附加的治疗选项，诸如可用的临床试验，这可增大康复和存活的几率。然而，目前缺乏能够准确预测患者对癌症治疗的反应的预测器。

发明内容

本文公开了用于使用机器学习模型基于多模态临床数据执行临床预测的技术。多模态临床数据通常是指不同类型的临床数据，诸如分子数据、活检图像数据等。作为示例，临床预测可以包括：预测对疾病的治疗的反应、预测患者患有该疾病的风险、预后预测、生物标志物衍生(derivation)、或药物开发的靶点标识等。临床预测的一个示例包括：预测患者对于针对卵巢癌的铂类药物治疗可能是耐药的还是不耐药的(sensitive)。临床预测的另一示例包括：针对肺癌的不同类型的治疗(例如，免疫疗法、化疗等)，预测患者的存活率。该技术还可以被应用于其他疾病领域和用于其他临床假设。

在一些实施例中，该技术包括接收患者的多模态临床数据，多模态临床数据可以包括第一分子数据和第一活检图像数据。该技术进一步包括：使用机器学习模型来处理第一分子数据和第一活检图像数据，以执行临床预测。基于多个患者的第二分子数据和第二活检图像数据来生成或更新机器学习模型。该技术进一步包括：生成临床预测的输出。

分子数据可以包括表示如下的数字特征向量：例如一个或多个RNA-seq(核糖核酸(RNA)-测序)数据、一个或多个微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、患者体内某些蛋白质分子(例如抗体，诸如PD-L1)的存在等。RNA-seq数据和miRNA-seq数据可以包括RNA和miRNA中所包括的基因表达模式。活检图像数据可以包括原发性肿瘤的活检图像数据，诸如经苏木精和曙红染色(HE)的组织病理学数据。机器学习模型可以包括，例如，朴素贝叶斯(NaiveBayes，NB)模型、逻辑回归(LR)模型、随机森林(RF)模型、支持向量机(SVM)模型、人工神经网络模型、多层感知器(MLP)模型、卷积神经网络(CNN)、其他机器学习或深度学习模型等。可以使用监督式学习技术、无监督式学习技术等来更新/训练机器学习模型。

下面详细描述本发明的这些和其他实施例。例如，其他实施例针对与本文描述的方法相关联的系统、设备和计算机可读介质。

参考以下具体实施方式和附图，可以获得对本发明的实施例的本质和优点的更好的理解。

附图说明

参照附图阐述具体实施方式。

图1A和图1B示出了根据本公开的某些方面的用于分析患者的治疗反应的示例技术。

图2示出了一种施用医学治疗的改进方法。

图3示出了根据本公开的某些方面的根据本发明的实施例的临床预测系统。