[发明专利]基于深度学习的乳腺癌放疗敏感性预测方法及其系统

说明书

本发明涉及生物信息计算技术领域，解决了将组织病理图像数据与miRNA数据有效整合的技术问题，尤其涉及一种基于深度学习的乳腺癌放疗敏感性预测方法，包括以下过程：从TCGA数据库中获取接受放疗的女性乳腺癌患者的组织病理图像数据以及miRNA数据；还涉及一种应用于上述乳腺癌放疗敏感性预测方法的系统，包括：数据集获取模块用于从TCGA数据库中获取接受放疗的女性乳腺癌患者的组织病理图像数据以及miRNA数据。本发明达到了对乳腺癌患者的放疗敏感性进行有效地预测的目的，可以较为准确地判断患者是否需要接受放疗，从而可以对患者进行精准治疗，避免了时间的浪费以及放疗给患者带来的伤害。

技术领域

本发明涉及生物信息计算技术领域，尤其涉及一种基于深度学习的乳腺癌放疗敏感性预测方法及其系统。

背景技术

乳腺癌是世界上女性发病率最高的癌症，也是导致女性死亡的重要原因。目前，放射治疗是乳腺癌患者的一种重要治疗手段，然而由于乳腺癌的异质性以及个体差异性，并不是所有人在经过放疗后能够获得理想的治疗效果，有些人甚至在经过放疗后病情加重。因此，在进行放疗之前有必要确定患者是否具有放射敏感性，即放疗后能有效延长患者生存期。

通过对乳腺癌患者进行放疗敏感性预测，可以为医生在制定个性化治疗方案时提供科学的建议，避免无效的治疗。近年来，研究人员提出了多种乳腺癌放疗敏感性预测模型，这些模型大多是基于基因组学数据来构建的，忽略了癌症患者的组织病理图像数据。组织病理图像在乳腺癌的诊断和治疗的过程中发挥着重要作用，此外有研究表明组织病理图像中蕴含着丰富的信息，可以有效的预测乳腺癌患者的生存时间。

发明内容

针对现有技术的不足，本发明提供了一种基于深度学习的乳腺癌放疗敏感性预测方法及其系统，解决了将组织病理图像数据与miRNA数据有效整合的技术问题，达到了对乳腺癌患者的放疗敏感性进行有效地预测的目的。

为解决上述技术问题，本发明提供了如下技术方案：一种基于深度学习的乳腺癌放疗敏感性预测方法，其特征在于，包括以下过程：

从TCGA数据库中获取接受放疗的女性乳腺癌患者的组织病理图像数据以及miRNA数据；

将获取的组织病理图像数据以及miRNA数据进行筛选，去除生存时间少于30天的样本，并根据三年生存时间分别划分为正、负样本数据集；

从正、负样本数据集中提取组织病理图像特征和miRNA数据特征；

根据组织病理图像特征和miRNA数据特征构建放疗敏感性预测模型；

从患者样本中提取组织病理图像特征与miRNA数据特征并将其输入到放疗敏感性预测模型中进行预测并判断患者是否具有放疗敏感性；

若放疗敏感性预测模型输出的概率值大于或等于预设阈值，将被预测为正样本；

若放疗敏感性预测模型输出的概率值小于预设阈值，则被预测为负样本。

进一步地，正、负样本数据集的划分包括：

根据三年生存时间，将接受放疗的女性乳腺癌患者划分为长生存期患者和短生存期患者；

经过放疗后生存时间超过3年的长生存期患者标记为1，即为正样本数据集；

经过放疗后生存时间低于3年的短生存期患者标记为0，即为负样本数据集。

进一步地，在提取组织病理图像特征和miRNA数据特征后还包括：使用StandardScaler方法对组织病理图像特征和miRNA数据特征进行了标准化处理转化成正态分布。

进一步地，从正、负样本数据集中提取组织病理图像特征包括以下过程：

将正、负样本数据集中的组织病理图像进行分割，每一个患者的组织病理图像被分割成若干个组织病理图像子块；