【技術實現步驟摘要】
本申請涉及影像分析，特別涉及一種多組學融合的idh野生型膠質母細胞瘤預后評估方法及系統。
技術介紹
1、原發性惡性腦腫瘤的發病率約為十萬分之七，其中膠質母細胞瘤是成人中最常見的惡性腦腫瘤，其發病率在40歲后增加，在75到84歲達到高峰。世界衛生組織（who）于2021年發布的第五版《中樞神經系統腫瘤分類》將成人彌漫性膠質瘤分為三類，其中將膠質母細胞瘤定義為異檸檬酸脫氫酶（tsocitrate?dehydrogenase，idh）野生型膠質母細胞瘤。相較于其他惡性腦腫瘤，idh野生型膠質母細胞瘤的惡性程度較高，患者確診后的預期壽命較短。研究表明，惡性腦腫瘤診斷后的5年生存率約為36%，idh野生型膠質母細胞瘤患者的中位生存期為12至21個月，5年生存率約為7%。目前對于膠質母細胞瘤的治療方案主要是最大限度的安全手術切除并在術后聯合接受放療和化療，被證實與改善患者總生存期相關。還有研究表明，化療聯合腫瘤電場治療可以提高患者生存期。但無論接受何種治療，膠質母細胞瘤的復發是不可避免的，中位無進展生存期約為7個月。
2、目前對于膠質母細胞瘤在分子病理學和相關細胞信號通路的理解取得了重大進展。多組學融合研究在精準腫瘤學領域也越來越被人所重視。在一項乳腺癌的多組學隊列研究中的結果表明了多組學研究相較于單一組學可以更好的指導精準治療的決策。另一項基于轉錄組學、蛋白組學等多組學機器學習模型在肝細胞癌的預后預測中表現出良好的性能。多組學數據分析的發展使得更加復雜的腫瘤分型方法成為可能。一項高級漿液性卵巢癌的研究應用多組學數據融合來探究和
3、多組學數據融合，主要是指利用計算機進行多組學數據的綜合處理，可以提取和整合不同組學的信息，以便更好的做出決策。目前，多模態數據的融合絕大多數是基于機器學習的模型方法來完成的。醫學數據具有復雜性和多樣性，通過多組學融合算法可以利用不同來源的互補信息，反映內在本質的共識信息。多組學數據融合在醫學領域應用廣泛，可以被用于癌癥的診療和預后，建立預后預測模型。
4、然而，現有的基于機器學習的膠質瘤預測模型大多是基于單一因素，不同組學之間的聯系還需進一步探究，且模型的預測性能和穩定性還有待提高。數據來源方面還需更大樣本量的國際多中心、多種族數據集用于訓練和驗證膠質母細胞瘤預測模型。
技術實現思路
1、本申請提供一種多組學融合的idh野生型膠質母細胞瘤預后評估方法及系統，通過整合病理組學、蛋白組學、基因組學特征，構建idh野生型膠質母細胞瘤患者的綜合預后模型，增加了對膠質母細胞瘤的預后預測價值。
2、為解決上述技術問題，第一方面，本申請實施例提供一種多組學融合的idh野生型膠質母細胞瘤預后評估方法，包括以下步驟：首先，獲取數據集；數據集包括idh野生型膠質母細胞瘤患者數據集；然后，基于數據集，分別得到病理圖像、基因數據和轉錄數據；并分別從病理圖像、基因數據和轉錄數據中提取組學特征；組學特征包括：病理組學特征、突變組學特征、拷貝數變異組學特征和轉錄組學特征；接下來，基于組學特征，分別構建與組學特征對應的單組學預后模型；單組學預后模型包括：病理組學預后模型、突變組學預后模型、拷貝數變異組學預后模型和轉錄組學預后模型；然后，對單組學預后模型的組學特征進行篩選，得到多組學融合特征，并基于多組學融合特征，構建基于機器學習的多組學融合模型；基于多組學融合模型，對患者進行風險分層，劃分為高風險組和低風險組；最后，對高風險組和低風險組進行差異分析，采用加權基因共表達網絡分析（weighted?gene?co-expression?network?analysis，wgcna）和基因集富集分析方法（gene?set?enrichmentanalysis，gsea）獲取交叉通路，確定多組學融合模型影響預后的關鍵生物學通路及生物學行為。
3、在一些示例性實施例中，基于數據集，得到病理圖像，從病理圖像中提取病理組學特征，包括：采用病理切片掃描儀對患者的病理切片進行組織切片掃描，獲得全視野數字病理圖像（whole?slide?image，wsi）；對全視野數字病理圖像進行預處理，并對全視野數字病理圖像進行篩選；對預處理后篩選過的病理圖像進行分割和特征提取，并提取病理組學特征。
4、在一些示例性實施例中，對全視野數字病理圖像進行預處理，并對所述全視野數字病理圖像進行篩選；對預處理后篩選過的病理圖像進行分割和特征提取，并提取病理組學特征，包括：采用圖像搜索引擎對所述全視野數字病理圖像進行全自動化預處理，將病理圖像鋪分割為多個1024×1024的斑塊；對斑塊進行分類，分為組織斑塊和非組織斑塊；其中，組織含量低于85%的斑塊被視為非組織斑塊；根據組織斑塊的成像模式對組織斑塊進行k-means聚類分析，得到若干個斑塊簇，并從每個斑塊簇中挑選出最優斑塊；對每個斑塊簇中挑選出的最優斑塊進行特征提取，得到病理組學特征。
5、在一些示例性實施例中，對每個斑塊簇中挑選出的最優斑塊進行特征提取，得到病理組學特征，包括：利用解混顏色模塊，將具有代表性的圖像進行1024×1024像素的解混，從而識別出目標組織的前景和背景；通過具有自適應閾值的三個模塊，自動識別細胞核、細胞體和細胞質；三個模塊分別為識別主要模塊、識別次要模塊、識別第三級模塊；采用功能模塊對圖像進行深入分析，測量得到圖像中物體特征；所述功能模塊包括：物體大小形狀測量模塊、紋理測量模塊、粒度測量模塊、對象之間的關系測量模塊、圖像占用面積測量模塊、物體強度測量模塊和物體強度分布測量模塊；所述物體特征包括細胞核和細胞質的大小、形狀、紋理、密度、分布和強度特征；對測量得到的物體特征進行統計分析，得到了不同的統計指標，以全面、客觀地描述圖像中物體的特征和屬性；統計指標包括平均值、中位數和標準差。
6、在一些示例性實施例中，在提取組學特征之后，以及在基于組學特征，分別構建與組學特征對應的單組學預后模型之前，還包括：對組學特征進行預處理，并對預處理后的組學特征進行篩選。
7、在一些示例性實施例中，對組學特征進行預處理，并對預處理后的組學特征進行篩選，包括：對病理組學特征進行對數轉換，再進行z-score標準化處理，使不同特征具有統一的量綱和尺度，從而消除量綱的影響，以篩選出構建模型的關鍵特征；將突變組學特征記為二分類變量，突變記為1，未突變記為-1，篩選出在入組患者中至少有3個及以上突變的基因作為關鍵特征進行后續分析；拷貝數變異組學特征和轉錄組學特征使用絕對中位差的方法確定50%分位數，以識別并剔除異常值提高模型的魯棒性；然后采用z-score方法進行標準化處理，篩選出構建模型的關鍵特征。
8、在一些示例性實施例中，基于組學特征，分別構建與組學特征對應的單組學預后模型，包括：基于病理組學特征、突變組學特征、拷貝數變異組學特征和轉錄組學特征通過特征篩選得到的關鍵特征，各自組合成與組學特征對應的單組學預后模型；利用嶺回歸本文檔來自技高網...
【技術保護點】
1.一種多組學融合的IDH野生型膠質母細胞瘤預后評估方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的多組學融合的IDH野生型膠質母細胞瘤預后評估方法，其特征在于，基于所述數據集，得到病理圖像，從病理圖像中提取病理組學特征，包括：
3.根據權利要求2所述的多組學融合的IDH野生型膠質母細胞瘤預后評估方法，其特征在于，對所述全視野數字病理圖像進行預處理，并對所述全視野數字病理圖像進行篩選；對預處理后篩選過的病理圖像進行分割和特征提取，并提取病理組學特征，包括：
4.根據權利要求3所述的多組學融合的IDH野生型膠質母細胞瘤預后評估方法，其特征在于，對每個斑塊簇中挑選出的最優斑塊進行特征提取，得到病理組學特征，包括：
5.根據權利要求1所述的多組學融合的IDH野生型膠質母細胞瘤預后評估方法，其特征在于，在提取組學特征之后，以及在基于所述組學特征，分別構建與組學特征對應的單組學預后模型之前，還包括：
6.根據權利要求5所述的多組學融合的IDH野生型膠質母細胞瘤預后評估方法，其特征在于，對組學特征進行預處理，并對預處理后的
7.根據權利要求1所述的多組學融合的IDH野生型膠質母細胞瘤預后評估方法，其特征在于，基于所述組學特征，分別構建與組學特征對應的單組學預后模型，包括：
8.根據權利要求7所述的多組學融合的IDH野生型膠質母細胞瘤預后評估方法，其特征在于，對單組學預后模型的組學特征進行篩選，得到多組學融合特征，并基于多組學融合特征，構建基于機器學習的多組學融合模型，包括：
9.根據權利要求1所述的多組學融合的IDH野生型膠質母細胞瘤預后評估方法，其特征在于，采用加權基因共表達網絡分析和基因集富集分析方法獲取交叉通路，確定多組學融合模型影響預后的關鍵生物學通路及生物學行為，包括：
10.一種多組學融合的IDH野生型膠質母細胞瘤預后評估系統，其特征在于，包括：依次連接的數據集模塊、多組學特征模塊、單組學預后模型模塊、多組學融合模型模塊以及數據分析模塊；
...【技術特征摘要】
1.一種多組學融合的idh野生型膠質母細胞瘤預后評估方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的多組學融合的idh野生型膠質母細胞瘤預后評估方法，其特征在于，基于所述數據集，得到病理圖像，從病理圖像中提取病理組學特征，包括：
3.根據權利要求2所述的多組學融合的idh野生型膠質母細胞瘤預后評估方法，其特征在于，對所述全視野數字病理圖像進行預處理，并對所述全視野數字病理圖像進行篩選；對預處理后篩選過的病理圖像進行分割和特征提取，并提取病理組學特征，包括：
4.根據權利要求3所述的多組學融合的idh野生型膠質母細胞瘤預后評估方法，其特征在于，對每個斑塊簇中挑選出的最優斑塊進行特征提取，得到病理組學特征，包括：
5.根據權利要求1所述的多組學融合的idh野生型膠質母細胞瘤預后評估方法，其特征在于，在提取組學特征之后，以及在基于所述組學特征，分別構建與組學特征對應的單組學預后模型之前，還包括：
6.根據權利要求5所述的多組學融...
【專利技術屬性】
技術研發人員：張振宇，季玉陳，劉浩然，耿昊天，李志成，
申請(專利權)人：中國科學院深圳先進技術研究院，
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。