[发明专利]基于深度学习的肺部全扫描图像EGFR突变预测方法和系统

说明书

本发明提出了基于深度学习的肺部全扫描图像EGFR突变预测方法和系统，所述方法包括：通过数据病理扫描仪获取全扫描病理图像；将所述全扫描病理图像输入值癌区分析模型，通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域；在所述癌变区域内筛选出含有癌症的图像块，并根据所述全扫描病理图像的EGFR突变情况，将所述图像块全部设置为阳性或者阴性；将所述全部设置为阳性或者阴性的图像块输入值分类模型中，以有监督的方式进行二分类模型训练，通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。

技术领域

本发明提出了基于深度学习的肺部全扫描图像EGFR突变预测方法和系统，属于计算机处理技术领域。

背景技术

根据2018年全球癌症统计，肺癌是全球发病率和死亡率最高的恶性肿瘤。约85-90％的肺癌为非小细胞肺癌(NSCLC)。靶向治疗是治疗NSCLC的有效方法。通过PCR或新一代测序(NGS)了解基因(如EGFR)的突变情况是很有必要的，由于受样本和实验室条件的限制，并不是所有的患者都能进行检测，导致失去了靶向治疗的机会。

与肿瘤检测不同的是，在EGFR突变预测方面，人们只知道非常有限的信息，是典型的弱监督学习问题。

在最近的一项研究中，作者提出利用深度学习来学习EGFR突变状态。他们建立了一个针对腺癌(ADC)的图像块级EGFR突变预测模型，在包含冷冻、福尔马林固定石蜡包埋组织和活检的测试集上，图像块级预测模型曲线下面积(AUC)为0.754。

现有技术的缺点：

1.该方法没有利用肺部病理切片的临床诊断信息，尤其是病理分型信息；

2.没有提出有效的应用方式，在临床使用的过程中存在一定的困难。

发明内容

本发明提供了一种基于深度学习的肺部全扫描图像EGFR突变预测方法和系统能够利用图像的组织形态学与病理分型信息，对图像是否为EGFR突变进行分析和预测，用以解决现有预测方法中只知道EGFR突变区域是癌变区域，但是不知道其具体位置的问题，同时提出双阈值策略，解决了系统在临床中的应用问题；所采取的的技术方案如下：

基于深度学习的肺部全扫描图像EGFR突变预测方法，所述方法包括：

通过数据病理扫描仪获取全扫描病理图像；

将所述全扫描病理图像输入值癌区分析模型，通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域；

在所述癌变区域内筛选出含有癌症的图像块，并根据所述全扫描病理图像的EGFR突变情况，将所述图像块全部设置为阳性或者阴性；

将所述全部设置为阳性或者阴性的图像块输入值分类模型中，以有监督的方式进行二分类模型训练，通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。

进一步地，所述二分类模型训练的过程中，设定不同的概率阈值，通过双阈值方法将所述图像块分类为EGFR突变阳性或者阴性。

进一步地，所述双阈值方法的过程包括：

设置两组概率阈值T₁和T₂，其中，T₁和T₂之间的关系满足：T₁＞T₂；

利用所述两组概率阈值结合判断准则，对所述图像块所属的全扫描病理图像对应的病例进行诊断预测。

进一步地，所述判断准则为：

在二分类模型训练过程，当所述图像块对应输出的概率大于概率阈值T₁时，将所述图像块所属的全扫描病理图像对应的病例作为阳性样本进行处理；