[发明专利]基于组织病理学图像和基因表达数据的胃癌患者生存风险预测方法

说明书

本发明涉及一种基于组织病理学图像和基因表达数据的胃癌患者生存风险预测方法，对组织病理学图像进行细胞核分割，选取细胞核数目最大的图像小块作为神经网络的输入；整合组织病理学图像与结构化的人口统计学和基因表达数据构建多模态融合模型。与现有技术相比，本发明具有提高预测精度等优点。

技术领域

本发明涉及癌症风险预测模型构建技术领域，尤其是涉及一种基于组织病理学图像和基因表达数据的胃癌患者生存风险预测方法。

背景技术

组织病理学图像作为肿瘤诊断和预后的临床金标准，指导临床医生做出更精确的治疗决策。病理学家通过在显微镜下评估肿瘤细胞的形态等特征进行分级。然而，手动评估组织病理学图像是非常耗时、主观且不可重复的，特别是对于在偏远地区工作的病理学家。因此，直接从组织病理学图像预测肿瘤患者生存风险的全自动模型引起了极大的关注。这种计算机辅助工具可以用来提高病理学家的效率和准确性，并最终为患者提供更好的治疗。

准确预测患者的生存时间或进展将有助于临床医生做出早期治疗决定，这对患者的健康至关重要。例如，可以建议低风险患者选择相对保守的治疗策略。预测患者生存风险的方法主要分为三类：基于图像结构化特征的模型、基于深度卷积网络的模型和多模态融合模型。

基于图像结构化特征的模型通常从非结构化的组织病理学图像中提取结构化的图像特征，包括细胞形状、大小和纹理。然而，结构化图像特征表示图像信息的能力有限。近年来，研究人员试图利用深度学习直接从组织病理学图像中学习生存相关信息。

基于卷积神经网络(CNN)的模型通常使用CNN进行生存分析，用非线性深度全连接网络代替传统Cox比例风险模型的线性风险函数。根据是否需要人工标记感兴趣的区域(region of interests，ROIs)，基于CNN的生存模型可以分为两类：基于ROIs的方法和基于整张组织病理学图像(whole slide image，WSI)的方法。基于ROIs的方法需要病理学医师在WSI上标注ROIs，不是端到端的全自动分析。基于WSI的方法直接使用WSI来预测患者的预后。据调查所知，目前还没有一种利用胃癌组织病理图像预测胃癌患者生存风险的模型。

多模态融合模型整合了组织病理学图像和其他组学数据，以提高预后的准确性。例如GSCNN方法将胶质母细胞瘤患者的基因组生物标志物和病理学图像整合到一个统一的预测框架中，预测肿瘤患者的生存。然而GSCNN忽略了患者的临床信息。据调查所知，目前还没有一个整合组织病理图像、临床数据和基因表达数据的胃癌生存预测模型。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于组织病理学图像和基因表达数据的胃癌患者生存风险预测方法。

本发明的目的可以通过以下技术方案来实现：

基于组织病理学图像和基因表达数据的胃癌患者生存风险预测方法，包括如下步骤：

步骤1：数据收集。获得胃癌患者的组织病理学图像、临床数据和基因表达数据。

步骤2：基于组织病理学图像建立胃癌患者生存风险预测模型。对组织病理学图像进行预处理(切割成图像小块、颜色标准化以及细胞核分割处理)，选取组织病理学图像中细胞核数目最大的图像小块，基于卷积神经网络构建生存预测模型，模型输出为DeepCox-SC风险评分，表示估计的患者死亡风险。

步骤3：建立多模态融合预测模型。基于DeepCox-SC风险评分，人口统计学和基因表达数据构建DeepCox-SC多模态融合模型。

所述步骤2基于组织病理学图像建立胃癌患者生存风险预测模型具体包括：

步骤2.1：整张组织病理学图像(whole slide image，WSI)裁剪成图像小块。将20倍放大的WSI裁剪成1536×1536像素的图像小块，空白背景超过30％的图像小块被过滤掉。