[发明专利]癌症预后标志物挖掘方法、装置、服务器及存储介质

说明书

本发明实施例提供了一种癌症预后标志物挖掘方法、装置、服务器及存储介质。摒弃了直接利用深度学习模型对癌症预后危险指数进行预测的常用构思，基于多类别组织空间分布数据对病理切片图像中包括的组织和组织之间的分布关系进行表征，从而可以利用归因方法和训练得到的预后模型确定多类别组织空间分布数据中的预后高贡献区域，并基于该预后高贡献区域来确定潜在标志物，所述潜在标志物表征：至少一种类别的组织以及各个组织之间的分布关系，从而可以基于潜在标志物建立具有明确病理含义的数学模型，并基于潜在标志物的数学模型对病人的预后状况进行高精度预测，克服深度学习难以应用于临床的难点，实现基于深度学习的可解释可泛化的精准医学预后。

技术领域

本发明实施例涉及信息处理技术领域，尤其涉及一种癌症预后标志物挖掘方法、装置、服务器及存储介质。

背景技术

以深度学习为典型代表的人工智能技术能够以数据驱动的方式对复杂信息源进行分析，目前已被广泛应用于各类复杂图像处理任务中。深度神经网络可以看作一个具有大量可学习参数的高维函数。在特定的数据集上，深度神经网络以反向传播方式进行训练，不断更新其可学习参数，不断缩小函数输出于目标输出的差距，进而实现基于数据学习这一功能。

近年来，随着人工智能理论的逐渐完善和深度学习技术的快速发展，仅基于苏木精-伊红(HE)染色的显微数字病理切片图像预测受检患者的癌症分期和预后状况已成为可能。当前大部分基于深度学习对病人预后的方法以数字病理切片图像为输入，以单一的危险指数(risk index)为输出，来实现对病人的预后，并实现接近甚至超过专业病理医生的预后精度。但是这些方法所给出的结果只有一个抽象的危险指数，由于深度学习当前有限的可解释能力和泛化能力，这种黑箱得到的单一指标难以被临床接受。因此，难以将这种单一的危险指数预测方法应用于临床实践。

综上，当前亟需提出一种新的利用深度学习方法进行癌症预后的方案。

发明内容

本发明实施例提供一种癌症预后标志物挖掘方法、装置、服务器及存储介质，以实现基于深度学习的可解释可泛化的精准医学预后。

本发明实施例第一方面提供了一种癌症预后标志物挖掘方法，所述方法包括：

对样本病理切片图像进行处理，得到样本多类别组织空间分布数据，所述样本多类别组织空间分布数据表征：所述样本病理切片图像包括的多种类别的组织以及多种类别的组织的分布关系；

利用样本多类别组织空间分布数据和对应的预后指数标签对预设模型进行训练，得到预后模型；

根据所述预后模型和所述样本多类别组织空间分布数据，得到该样本多类别组织空间分布数据的二维贡献热图，所述二维贡献热图表征：所述样本多类别组织空间分布数据中对预后指数具有高贡献的区域；

根据所述二维贡献热图和所述样本多类别组织空间分布数据确定潜在标志物，所述潜在标志物表征：至少一种类别的组织以及各个组织之间的分布关系。

可选地，对样本病理切片图像进行处理，得到样本多类别组织空间分布数据，包括：

对样本病理切片图像进行切分，得到多个小块图像；

对所述多个小块图像包括的组织分别进行分类，并标注小块图像的组织类别；

根据多个小块图像的空间位置信息，将多个小块图像的组织类别拼接形成样本多类别组织空间分布数据。

可选地，所述方法还包括：

对所述潜在标志物进行检验，比较所述潜在标志物与已有的预后标志物对预后的显著程度；

筛选检验过程中表现显著的潜在标志物作为新标志物。

可选地，对所述潜在标志物进行检验包括：