【技術實現步驟摘要】
【國外來華專利技術】
本專利技術涉及一種訓練用于分析免疫組織化學染色圖像的機器學習模型的方法及執行其的計算系統。更詳細地，涉及可學習對于通過用于對表達特定生物標記物的組織進行染色的免疫組織化學染色法染色的生物組織切片圖像進行分析來精密分析生物標記物的表達程度等的機器學習模型且可利用已訓練的機器學習模型執行分析生物標記物的表達程度等的對于病理樣本圖像的判斷的方法及執行其的計算系統。
技術介紹
1、隨著現代人平均壽命的增加，癌癥等重癥疾病的發病率也呈增加的趨勢，測定特定生物標記物在生物組織中的表達程度成了對重癥疾病患者進行預后預測或確定治療方法的重要因素。作為測定生物組織的生物標記物表達程度的方法，二代測序分析法(nextgeneration?sequencing；ngs)等備受矚目，而仍在醫療機構的臨床中主要使用的方法為肉眼觀察通過免疫組織化學(immunohistochemistry；ihc)染色法染色的組織切片。
2、免疫組織化學染色法通過使用由將特定生物標記物作為靶的抗體和二氨基聯苯胺(diaminobenzidine；dab)等發色劑相結合而成的染色劑對組織進行染色來實現可用肉眼確認相應生物標記物的表達程度。在此情況下，為了標記未表達生物標記物的細胞，將蘇木精(hematoxylin)用作對比染色劑。
3、大致通過染色的強度和被染色的組織的比例來進行免疫組織化學染色組織判讀。在此情況下，染色強度通常分為“幾乎沒有”、“弱”、“一般”、“強”等四類。判斷組織是否被染色則分為以下情況，根據生物標記物，可將細胞核部分被染色的情
4、另一方面，對于免疫組織化學染色組織的判讀規則根據實際要測定的靶生物標記物以及應用對象臟器/疾病而不同，這是因為每個生物標記物的表達樣態不同，即便是相同的生物標記物，也根據應用對象臟器/疾病而呈現出不同的表達水平。在測定雌激素受體(er，estrogenreceptor)表達程度、孕酮受體(pr，progesterone?receptor)表達程度的特定免疫組織化學染色法中，采用在0分到5分中求被染色的組織的比例(proportionscore)以及在0分到3分中求染色強度(intensity?score)并相加兩者而得到的總分(totalscore)，在測定人表皮生長因子受體2(her2，human?epidermal?growth?factor?receptor2)表達程度的特定免疫組織化學染色法中，根據將細胞膜的染色強度、染色程度等作為考慮條件來判定為被染色的癌細胞的比例來按0、1+、2+、3+確定分數。若癌癥滲透面積細胞的pd-l1的表達比例達到1％以上，則判斷成實現表達，在此情況下，免疫細胞的細胞膜也應以適當水平以上的強度被染色。
5、像這樣將染色強度和被染色的組織的比例作為考慮條件內來判讀免疫組織化學染色組織因以下的原因導致非常難且判讀者之間的一致度差，單個判讀者的再現性也差。第一，劃分染色強度的基準不明確，尤其，區分弱、一般等的界限不明確的情況有很多。因此，也有可能發生判讀結果根據判讀者的狀態每天都不同的情況下。第二，存在很多難以判定組織是否被染色的情況。尤其，在將染色強度作為考慮條件來判定是否被染色的情況下，很難判斷是否將細胞膜的染色強度強的部分細胞、細胞膜的染色強度一般的部分細胞、細胞膜的染色強度弱的部分細胞都視作被染色。
6、另一方面，隨著圖像分析技術的發展，正在嘗試著在醫療領域的多個業務中應用機器學習技術并商用化。在病理診斷領域中，也使得在通過數字切片掃描儀將組織切片變換成高清晰度的數字圖像后通過電腦顯示器來由病理專家判讀圖像的方式逐漸得到應用，以代替病理專家通過光學顯微鏡在高倍率下對被染色的組織切片進行檢查以及判讀來下診斷的現有方法，進而，可使病理專家參考通過機器學習技術分析圖像的結果來更快速、準確地下診斷的產品陸續問世。對作為掃描整個生物組織標本生成的圖像的整體標本圖像(whole-slide?image；wsi)應用圖像分析深度學習技術來診斷癌癥的方法已經達到商用水平，對于前列腺癌等部分癌癥，存在獲得全球性醫療器械許可的產品。這些產品都執行通過分析從被染色的標本生成的整體標本圖像來確定癌癥病變是否存在或對檢測到的病變的位置進行可視化等功能。
7、并且，近期隨著數字病理學的發展以及影像處理、機器學習、深度學習等基于計算機的圖像分析技術得到大力發展，出現了計算機分析通過掃描免疫組織化學染色切片而得到的數字圖像來自動測量生物標記物的表達程度的軟件并持續得到高度發展，在通過軟件自動測量生物標記物的表達程度的情況下，可解決判讀者之間的一致度問題、單個判讀者的再現性問題。
8、但是，軟件將根據按照人通過光學顯微鏡進行測量、判讀的環境開發的判讀規則出結果，因而無法實現生物標記物表達程度的精密分析。例如，若使用軟件，則可將染色強度劃分成比“幾乎沒有”、“弱”、“一般”、“強”更詳細，不僅如此，還可定量判斷各個細胞的染色水平，這種分析在現有體系中是無法實現的。因此，為了更精確地確定基于生物標記物表達程度的患者的治療方法，需要可精密分析生物標記物表達程度的新的分析方法。并且，需要一種將其應用到訓練機器學習模型來對用于精密分析生物標記物表達程度等的機器學習模型進行學習并執行分析生物標記物的表達程度等的對病理樣本圖像的判斷的技術思想。
技術實現思路
1、技術問題
2、本專利技術的目的在于提供利用機器學習分析免疫組織化學染色組織切片來精密分析生物標記物的表達程度的方法以及系統。并且，本專利技術的目的在于提供可學習用于精密分析生物標記物的表達程度等的機器學習模型并可對病理樣本圖像執行生物標記物的表達程度分析等多種判斷的方法以及系統。
3、技術方案
4、根據本專利技術的一實施方式，本專利技術提供一種機器學習模型學習方法，用于訓練機器學習模型，其包括如下步驟：機器學習模型學習系統生成包含m個單個學習數據(其中，m為2以上的自然數)的學習數據集；以及上述機器學習模型學習系統基于上述學習數據集訓練上述機器學習模型，生成包含上述m個單個學習數據的學習數據集的步驟包括如下步驟，即，對于1≤m≤m的所有整數m，生成將要包含在上述學習數據集的第m學習數據，生成上述第m學習數據的步驟包括如下步驟：獲取第m免疫組織化學染色圖像，其中，上述第m免疫組織化學染色圖像包括作為通過用于對規定的靶生物標記物進行染色的免疫組織化學(immunohistochemistry；ihc)染色法染色的免疫組織化學染色組織的區域；按照上述第m免疫組織化學染色圖像的各個像素計算基于免疫組織化學染色的染色強度；對于1≤n≤n的所有整數n(其中，n為2以上的整數)，基于上述第m免疫組織化學染色圖像的各個像素的染色強度和規定的第n染色強度基準值生成上述第m免疫組織化學本文檔來自技高網...
【技術保護點】
1.一種機器學習模型學習方法，用于訓練機器學習模型，其特征在于，
2.根據權利要求1所述的機器學習模型學習方法，其特征在于，對于1≤i≤(N-1)的所有整數i，第i染色強度基準值小于第(i+1)染色強度基準值。
3.根據權利要求1所述的機器學習模型學習方法，其特征在于，獲取第m免疫組織化學染色圖像的步驟包括如下步驟：
4.根據權利要求3所述的機器學習模型學習方法，其特征在于，
5.根據權利要求1所述的機器學習模型學習方法，其特征在于，基于上述第一染色強度基準值至第N染色強度基準值以及上述第m免疫組織化學染色圖像的第一特征向量至第N特征向量生成上述第m學習數據的步驟包括如下步驟，即，生成由第一染色強度基準值和第一特征向量的對至第N染色強度基準值和第N特征向量的對構成且人表皮生長因子受體2表達分數被標記的上述第m學習數據。
6.根據權利要求2所述的機器學習模型學習方法，其特征在于，
7.一種方法，其為用于通過經根據權利要求1所述的機器學習模型學習方法學習的機器學習模型對規定的判斷對象病理樣本提供判斷結果的判斷結果
8.一種計算機程序，其特征在于，記錄于設置在數據處理裝置且用于執行根據權利要求1至7中的任一項所述的方法的介質。
9.一種計算機可讀記錄介質，其特征在于，記錄有用于執行根據權利要求1至7中的任一項所述的方法的計算機程序。
10.一種機器學習模型學習系統，其特征在于，
11.根據權利要求10所述的機器學習模型學習方法，其特征在于，對于1≤i≤(N-1)的所有整數i，第i染色強度基準值小于第(i+1)染色強度基準值。
12.根據權利要求10所述的機器學習模型學習方法，其特征在于，獲取第m免疫組織化學染色圖像的步驟包括如下步驟：
13.根據權利要求12所述的機器學習模型學習方法，其特征在于，
14.根據權利要求10所述的機器學習模型學習方法，其特征在于，基于上述第一染色強度基準值至第N染色強度基準值以及上述第m免疫組織化學染色圖像的第一特征向量至第N特征向量生成上述第m學習數據的步驟包括如下步驟，即，生成由第一染色強度基準值和第一特征向量的對至第N染色強度基準值和第N特征向量的對構成且人表皮生長因子受體2表達分數被標記的上述第m學習數據。
15.根據權利要求11所述的機器學習模型學習方法，其特征在于，
16.一種判斷結果提供系統，用于對病理樣本提供判斷結果，其特征在于，
...【技術特征摘要】
【國外來華專利技術】
1.一種機器學習模型學習方法，用于訓練機器學習模型，其特征在于，
2.根據權利要求1所述的機器學習模型學習方法，其特征在于，對于1≤i≤(n-1)的所有整數i，第i染色強度基準值小于第(i+1)染色強度基準值。
3.根據權利要求1所述的機器學習模型學習方法，其特征在于，獲取第m免疫組織化學染色圖像的步驟包括如下步驟：
4.根據權利要求3所述的機器學習模型學習方法，其特征在于，
5.根據權利要求1所述的機器學習模型學習方法，其特征在于，基于上述第一染色強度基準值至第n染色強度基準值以及上述第m免疫組織化學染色圖像的第一特征向量至第n特征向量生成上述第m學習數據的步驟包括如下步驟，即，生成由第一染色強度基準值和第一特征向量的對至第n染色強度基準值和第n特征向量的對構成且人表皮生長因子受體2表達分數被標記的上述第m學習數據。
6.根據權利要求2所述的機器學習模型學習方法，其特征在于，
7.一種方法，其為用于通過經根據權利要求1所述的機器學習模型學習方法學習的機器學習模型對規定的判斷對象病理樣本提供判斷結果的判斷結果提供方法，其特征在于，
8.一種計算機程序，其特征在于，記錄于設置在數據處理裝置且用于執行根據權利...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。