本發(fā)明涉及例如使用機器學習模型來預測與癌癥有關的患者結果。
背景技術：
1、在全球范圍中癌癥是死亡的主要原因，且占死亡人數的近六分之一。然而，如果被有效且早期地處置，則許多癌癥可治愈。來自癌癥患者的病理樣本是通常針對臨床風險度量而被分析，且可用以確定最適于該患者的處置。然而，估算臨床風險度量的常規(guī)方法通常在設計上受到限制且可能高估或低估患者內癌癥的進展及/或復發(fā)的風險。
技術實現(xiàn)思路
1、本發(fā)明的實施例包括用于將機器學習模型應用于病理學樣本以預測結果、對風險進行分層及預測對癌癥療法的反應的技術。
2、在一些實施例中，一種由至少一個處理器進行以預測與癌癥有關的結果的方法可以包括以下步驟：獲得患者的癌癥腫瘤的組織學樣本，通過應用在與所獲得的癌癥腫瘤的組織學樣本相同類型的癌癥腫瘤的組織學樣本的群體上訓練的深度學習模塊來確定該組織學樣本的特征集，以及通過將第二模型應用于所確定的特征集來生成該患者的結果集?？蛇x地，該結果集可以包括針對無復發(fā)生存期、無進展生存期、無事件生存期、總生存期、對治療的反應和無病生存期至少之一的風險類別和風險計分至少之一。癌癥可以是膀胱癌、非肌層侵襲性膀胱癌、肌層侵襲性膀胱癌、膀胱尿路上皮癌、膀胱鱗狀細胞癌、膀胱腺癌及膀胱小細胞癌至少之一。該方法還可以包括以下步驟：提供對所確定的組織學樣本的特征集有反應的一組推薦療法?？蛇x地，該組織學樣本的特征集可以包括形態(tài)學數據、組織區(qū)域數據、空間關系數據、共定位數據及熱點數據至少之一。在一些實施例中，該深度學習模塊包括u-net模型，其中該u-net模型包含具有編碼器及譯碼器的全卷積神經網絡。在一些實施例中，在與所獲得的癌癥腫瘤的組織學樣本相同類型的癌癥腫瘤的組織學樣本的群體上對該深度學習模塊進行訓練以確定細胞核位置及形狀數據。在一些實施例中，確定該組織學樣本的特征集還包括以下步驟：確定該組織學樣本內組織的位置，檢測所確定的組織位置內受關注細胞核及細胞的位置，確定所檢測到的受關注細胞核及細胞各自的形態(tài)學特征、幾何特征及紋理特征至少之一，以及確定所檢測到的受關注細胞核及細胞各自的空間位置特征?？蛇x地，該第二模型可以包括多變量模型。在一些實施例中，該多變量模型包括cox比例風險(cph)模型。在一些實施例中，在非組織學數據上訓練該第二模型包括醫(yī)學圖像、臨床變量、基因體及醫(yī)學文本至少之一。此外，該第二模型可以被訓練為確定簽名(signature)，其中該簽名包含組織學特征和權重的組合。在一些實施例中，該方法包括以下步驟：響應于針對特定處置類型的結果集，對所述患者施予該特定處置類型。此外，該方法還可以包括以下步驟：在圖形用戶接口上顯示該結果集的至少一部分。
3、在一些實施例中，一種非暫態(tài)計算機可讀介質，可以存儲指令，該指令當在一個或多于一個處理器上執(zhí)行時使得該一個或多于一個處理器獲得患者的癌癥腫瘤的組織學樣本，通過應用在與所獲得的癌癥腫瘤的組織學樣本相同類型的癌癥腫瘤的組織學樣本的群體上訓練的深度學習模塊來確定該組織學樣本的特征集，以及通過將第二模型應用于所確定的特征集來生成該患者的結果集?？蛇x地，該指令還可以使得該一個或多于一個處理器在圖形用戶接口上顯示該結果集的至少一部分?？蛇x地，該指令還可以使得該一個或多于一個處理器通過以下來確定該組織學樣本的特征集：確定該組織學樣本內組織的位置，檢測所確定的組織位置內受關注細胞核及細胞的位置，確定所檢測到的受關注細胞核及細胞各自的形態(tài)學特征、幾何特征及紋理特征至少之一，或者確定所檢測到的受關注細胞核及細胞各自的空間位置特征。在一些實施例中，該第二模型包括多變量模型。
4、在一些實施例中，一種用于預測與癌癥有關的結果的系統(tǒng)，包括通過網絡通信耦接至用戶裝置的至少一個服務器，其中該至少一個服務器還包含存儲計算機可讀指令的非暫態(tài)存儲器及至少一個處理器。執(zhí)行該計算機可讀指令使得該至少一個服務器在癌癥腫瘤的組織學樣本的群體上對深度學習模塊進行訓練，其中該深度學習模塊包含u-net模型；在特征集數據及結果數據上對第二模型進行訓練，其中該第二模型包含多變量模型；獲得患者的癌癥腫瘤的組織學樣本，其中該癌癥腫瘤與癌癥腫瘤的組織學樣本的群體為相同的類型；通過應用經訓練的深度學習模塊來確定該組織學樣本的特征集；以及通過將經訓練的多變量模型應用于所確定的特征集來生成該患者的結果集。
5、在一些實施例中，特征集包括形態(tài)學數據、組織區(qū)域數據、空間關系數據、共定位數據及熱點數據至少之一。可選地，確定該特征集可以包括執(zhí)行計算機可讀指令，該指令使得至少一個服務器：確定組織學樣本內組織的位置，檢測所確定的組織位置內受關注細胞核及細胞的位置，確定所檢測到的受關注細胞核及細胞各自的形態(tài)學特征、幾何特征及紋理特征至少之一，或者確定所檢測到的受關注細胞核及細胞各自的空間位置特征。在一些實施例中，該結果集包括針對無復發(fā)生存期、無進展生存期、無事件生存期、總生存期、對治療的反應和無病生存期至少之一的風險類別和風險計分至少之一。在一些實施例中，圖形用戶接口可以通信耦接至該至少一個服務器且被配置為顯示該結果集的一部分。
1.一種通過至少一個處理器進行以預測與癌癥有關的結果的方法，所述方法包括：
2.根據權利要求1所述的方法，其中，所述結果集包括針對無復發(fā)生存期、無進展生存期、無事件生存期、總生存期、對治療的反應和無病生存期至少之一的風險類別和風險計分至少之一。
3.根據權利要求1所述的方法，其中，所述癌癥是以下至少之一：膀胱癌、非肌層侵襲性膀胱癌、肌層侵襲性膀胱癌、膀胱尿路上皮癌、膀胱鱗狀細胞癌、膀胱腺癌及膀胱小細胞癌。
4.根據權利要求1所述的方法，還包括：
5.根據權利要求1所述的方法，其中，所述組織學樣本的特征集包括以下至少之一：形態(tài)學數據、組織區(qū)域數據、空間關系數據、共定位數據及熱點數據。
6.根據權利要求1所述的方法，其中，所述深度學習模塊包括u-net模型，其中，所述u-net模型包括具有編碼器及解碼器的全卷積神經網絡。
7.根據權利要求1所述的方法，還包括：
8.根據權利要求1所述的方法，其中，確定所述組織學樣本的特征集還包括：
9.根據權利要求1所述的方法，其中，所述第二模型包括多變量模型。
10.根據權利要求9所述的方法，其中，所述多變量模型包括cox比例風險模型即cph模型。
11.根據權利要求1所述的方法，還包括：
12.根據權利要求1所述的方法，還包括：
13.根據權利要求1所述的方法，還包括：
14.根據權利要求1所述的方法，還包括：
15.一種存儲有指令的非暫態(tài)計算機可讀介質，所述指令當在一個或多于一個處理器上被執(zhí)行時使得所述一個或多于一個處理器：
16.根據權利要求15所述的非暫態(tài)計算機可讀介質，其中，所述指令還包括使得所述一個或多于一個處理器進行以下項的指令：
17.根據權利要求15所述的非暫態(tài)計算機可讀介質，其中，所述指令還包括使得所述一個或多于一個處理器進行以下項的指令：通過以下來確定所述組織學樣本的所述特征集：確定所述組織學樣本內組織的位置，檢測所確定的組織的位置內受關注細胞核及細胞的位置，確定所檢測到的受關注細胞核及細胞各自的形態(tài)學特征、幾何特征及紋理特征至少之一，或者確定所檢測到的受關注細胞核及細胞各自的空間位置特征。
18.根據權利要求15所述的非暫態(tài)計算機可讀介質，其中，所述第二模型包括多變量模型。
19.一種用于預測與癌癥有關的結果的系統(tǒng)，所述系統(tǒng)包括：
20.根據權利要求19所述的系統(tǒng)，其中，所述特征集包括形態(tài)學數據、組織區(qū)域數據、空間關系數據、共定位數據及熱點數據至少之一。
21.根據權利要求19所述的系統(tǒng)，其中，確定所述特征集包括執(zhí)行計算機可讀指令以使得所述至少一個服務器：
22.根據權利要求19所述的系統(tǒng)，其中，所述結果集包括針對無復發(fā)生存期、無進展生存期、無事件生存期、總生存期、對治療的反應和無病生存期至少之一的風險類別和風險計分至少之一。
23.根據權利要求19所述的系統(tǒng)，還包括通信耦接至所述至少一個服務器的圖形用戶接口，其中，所述圖形用戶接口被配置為顯示所述結果集的一部分。