【技術實現步驟摘要】
本申請涉及醫療，更具體地涉及一種垂體神經內分泌腫瘤譜系及亞型的預測系統。
技術介紹
1、垂體神經內分泌腫瘤（pituitary?neuroendocrine?tumors，pitnets）又稱垂體腺瘤，來源于垂體前葉細胞，約占顱內原發腫瘤的10%~20%，發病率僅次于膠質瘤和腦膜瘤。2017?年世界衛生組織（world?health?organization，who）頒布了第4版內分泌器官相關腫瘤的病理分型，修訂了垂體和鞍區腫瘤的病理分類和命名，不僅強調了垂體腺瘤的重新命名，同時提出來在腺垂體分泌激素的免疫組織化學（immunohistochemistry，ihc）基礎上，建議進一步完善轉錄因子作為細胞分化來源的重要標志物。2022年第5版who內根據腫瘤細胞的分化譜系將pitnets/垂體腺瘤分為垂體特異性轉錄因子-1（pituitary-specifictranscription?factor-1，pit-1）細胞譜系、t-box轉錄因子19（t-box?pituitarytranscription?factor，tpit）細胞譜系、類固醇生成因子-1（?steroidogenic?factor-1，sf-1）細胞譜系、無確切細胞譜系四大譜系及16種亞型。
2、大量的ihc檢測是pitnets/垂體腺瘤分型的基礎，但是其對病人而言價格昂貴，有些基層單位尚無法開展此項檢測技術。且使用ihc方法比較消耗時間和組織，容易受檢測前條件的影響。同時，不同單位及觀察者之間或觀察者內部存在著判讀時的主觀差異性，導致結果的不一致
3、人工智能深度學習算法可直接提取圖像深層特征信息，并自動學習，然而目前深度學習算法模型的應用多集中在乳腺癌、前列腺癌、結直腸癌、頭部腫瘤等領域，針對垂體神經內分泌腫瘤的深度學習算法目前還是空白。因此，開發高準確性的基于垂體神經內分泌腫瘤預測譜系及亞型的人工智能輔助診斷模型意義重大。
技術實現思路
1、為了解決上述問題而提出了本申請。根據本申請一方面，提供了一種垂體神經內分泌腫瘤譜系及亞型的預測系統，包括圖像采集模塊、譜系診斷模塊、生物標志物診斷模塊和表達導出模塊：
2、圖像采集模塊用于生成目標數據；
3、譜系診斷模塊用于將目標數據輸入編碼器模塊中，生成高表征能力的特征嵌入，得到目標數據的譜系類別；
4、生物標志物診斷模塊包括七個生物標志物診斷子單元，通過七個生物標志物診斷子單元分別預測與垂體神經內分泌腫瘤亞型相關的七種生物標志物的表達水平；
5、其中，生物標志物診斷子單元包括特征分類模塊、特征篩選模塊、特征聚合模塊和生物標志物預測模塊；
6、特征分類模塊用于輸入目標數據，得到初級分類特征集合；
7、特征篩選模塊用于從初級分類特征集合中篩選出某一生物標志物的特征集合；
8、特征聚合模塊用于對特征集合中的特征進行加權融合，得到某一生物標志物的融合特征；
9、生物標志物預測模塊用于將融合特征輸入到預先構建的生物標志物預測網絡中，得到某一生物標志物的表達水平；
10、表達導出模塊將譜系類別與生物標志物表達水平結合，得到目標數據的垂體神經內分泌腫瘤譜系及亞型結果。
11、在本申請的一個實施例中，所述七個生物標志物診斷子單元相互獨立，每個生物標志物診斷子單元均由特征分類模塊、特征篩選模塊、特征聚合模塊和生物標志物預測模塊組成：
12、所述特征分類模塊對目標數據的圖像塊使用k-means聚類算法，將具有相同特征的圖像塊聚集成一類圖像塊特征集合，通過輪廓系數選擇分類數量，為正整數，將類圖像塊集合輸入到預先構建的圖像塊初級特征提取網絡中，可得到包含個類別圖像塊的初級分類特征集合：
13、；
14、為每類圖像塊特征集合；為正整數；
15、所述特征篩選模塊通過比較每類圖像塊特征集合單獨輸入生物標志物預測網絡的預測準確率與包含個類別圖像塊的初級分類特征集合全部輸入生物標志物預測網絡的平均預測準確率，篩選出預測準確率高于平均預測準確率的特征集合，得到篩選后的針對某一生物標志物的特征集合，用于將某一生物標志物與篩選得到的圖像塊特征集合進行匹配：
16、；
17、其中，為布爾運算；為初級特征處理網絡，用于對輸入的初級特征嵌入進行提取和壓縮，得到最終用于分類的最終特征嵌入；用于對最終特征嵌入進行處理，得到最終每個分類類別的預測得分；
18、所述特征聚合模塊將所述特征篩選模塊得到的特征集合的特征進行歸一化處理，對特征重新加權，將得到的權重與輸入的每個圖像塊特征集合進行殘差計算進而得到加權后的特征，將加權后的特征進行拼接，得到基于注意力的特征加權融合特征：
19、；
20、其中，為sigmoid運算，用于對輸入特征進行歸一化處理，保證每個特征都在[0，1]的范圍內重新加權；用于將得到的權重與輸入的每類圖像塊特征集合進行殘差計算，得到加權特征；為特征篩選模塊篩選后的圖像塊類別數量（n<m），為每類圖像塊特征集合，為篩選后的特征集合，和為可學習的參數；
21、所述生物標志物預測模塊用于將所述融合特征輸入到預先構建的生物標志物預測網絡中，可得到面向某一生物標志物的n分類預測結果，其中n對應七種生物標志物表達水平的種類數量。
22、在本申請的一個實施例中，所述譜系診斷模塊用于將目標數據輸入編碼器模塊中，生成高表征能力的特征嵌入，得到目標數據的譜系類別，包括：
23、目標數據輸入預先構建的初級神經網絡模型，得到目標數據的初級特征；
24、將所述目標數據的初級特征輸入到四個連續的編碼器塊中，得到具有高表征能力的特征嵌入；
25、將所述具有高表征能力的特征嵌入進行降維壓縮后，通過softmax函數計算每個譜系的預測得分，其中得分最高的即為目標數據對應的譜系類別。
26、在本申請的一個實施例中，所述編碼器塊的操作為：
27、；
28、；
29、其中，為為第個編碼器塊的輸出特征嵌入，為目標數據的圖像初級特征，為第個編碼器塊的特征注意力圖，為前饋神經網絡，為層歸一化處理，為用于計算特征注意力圖的多頭自注意力模型。
30、在本申請的一個實施例中，還包括輔助增強模塊：
31、所述輔助增強模塊用于在訓練過程通過借助參考數據來平衡目標數據比例不平衡的問題，通過分享模型參數來輔助譜系診斷模塊進行參數優化；
32、所述參考數據中四種譜系標簽種類數量相似，用于提高譜系診斷模塊對數量較少的譜系的識別能力。
33、在本申請的一個實施例中，所述輔助增強模塊與譜系診斷模塊結構相同，所述參考數據輸入到本文檔來自技高網...
【技術保護點】
1.一種垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，包括圖像采集模塊、譜系診斷模塊、生物標志物診斷模塊和表達導出模塊：
2.如權利要求1所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，所述七個生物標志物診斷子單元相互獨立，每個生物標志物診斷子單元均由特征分類模塊、特征篩選模塊、特征聚合模塊和生物標志物預測模塊組成：
3.如權利要求1所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，所述譜系診斷模塊用于將目標數據輸入編碼器模塊中，生成高表征能力的特征嵌入，得到目標數據的譜系類別，包括：
4.如權利要求3所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，所述編碼器塊的操作為：
5.如權利要求4所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，還包括輔助增強模塊：
6.如權利要求5所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，
7.如權利要求6所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，所述均方誤差損失的計算方法為：
8.如權利要求1所
9.如權利要求1所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，所述目標數據為通過預設灰度閾值，對病理切片圖像進行分割篩選得到。
10.如權利要求1所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，預先構建的神經網絡模型使用均方誤差損失和交叉熵損失函數來進行訓練學習，其中，預先構建的神經網絡模型包括預訓練的初級神經網絡模型、編碼器模塊、圖像塊初級特征提取網絡、初級特征處理網絡和生物標志物預測網絡。
...【技術特征摘要】
1.一種垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，包括圖像采集模塊、譜系診斷模塊、生物標志物診斷模塊和表達導出模塊：
2.如權利要求1所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，所述七個生物標志物診斷子單元相互獨立，每個生物標志物診斷子單元均由特征分類模塊、特征篩選模塊、特征聚合模塊和生物標志物預測模塊組成：
3.如權利要求1所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，所述譜系診斷模塊用于將目標數據輸入編碼器模塊中，生成高表征能力的特征嵌入，得到目標數據的譜系類別，包括：
4.如權利要求3所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，所述編碼器塊的操作為：
5.如權利要求4所述的垂體神經內分泌腫瘤譜系及亞型的預測系統，其特征在于，還包括輔助增強模塊：
6.如權利要求5所述的垂體神經內分泌腫瘤譜系及...
【專利技術屬性】
技術研發人員：吳海波，張安莉，葛沖，王月娥，程嵐卿，王武，
申請(專利權)人：安徽省立醫院中國科學技術大學附屬第一醫院，
類型：發明
國別省市：
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。