申请/专利权人：哈尔滨理工大学

申请日：2023-09-15

公开（公告）日：2023-12-12

公开（公告）号：CN117219277A

主分类号：G16H50/30

分类号：G16H50/30;G16H50/70;G06T7/00;G06T7/11;G06T7/136;G06T7/62;G06V10/764;G06V10/80;G06V10/82;G06N3/045;G06N3/0464;G06N3/08;G06N20/20

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.12.29#实质审查的生效;2023.12.12#公开

摘要：本发明涉及一种多模态后期融合的深度学习放射组学联合诺模图模型，用来探究少肌症对乳腺癌BC远处转移的影响。利用单因素Cox回归和多因素Cox回归分析得到BC远处转移的独立预后因素。使用DenseNet161模型、ResNet50模型、GradientBoosting模型分别对第四胸椎T4、第十一胸椎T11层图像、临床病理结合身体成分数据进行分类。使用多数投票策略对分类结果进行后期融合，并将得到的后期融合概率联合诺模图预测BC远处转移。我们分析了诺模图的最佳截断点，将BC患者分为高、低转移风险组，并采用Kaplan‑MeierKM生存曲线进行生存分析。本发明进一步证实了T4胸肌指数PMIT4对BC远处转移存在显著的影响，提高了BC远处转移的预测精度，为预测BC远处转移探索了一种非入侵性成像标志物。

主权项：1.多模态后期融合的深度学习放射组学联合诺模图模型，用来探究少肌症对乳腺癌BC远处转移的影响，其特征在于，该方法包括以下步骤：步骤1：使用1.53a版本的ImageJ软件，利用Hounsfield单位HU测量CT图像的横截面面积，旨在评估身体成分参数。步骤2：将第四胸椎层T4图像、第十一胸椎层T11层图像、临床病理结合身体成分数据分别放入选出来的DenseNet161模型、ResNet50模型、GradientBoosting模型中预测BC远处转移，从而提取相对应的特征。我们采用多数投票策略将三个模型的预测结果进行后期融合，得到后期融合概率。步骤3：对临床病理结合身体成分数据进行单因素Cox回归和多因素Cox回归，得到p0.05的显著性因素。步骤4：将步骤2得到的后期融合概率与步骤3得到的显著性因素当做预测因素构建诺模图。步骤5：分析了诺模图中风险评分的最佳截断点，然后根据此最佳截断点确定总体评分最佳截断点。根据这些独立预后因素特征计算每位BC患者的总体评分，并依据总体评分最佳截断点将BC患者分为了高、低转移风险组。采用Kaplan-MeierKM生存曲线进行生存分析，以提供高、低转移风险组之间远处转移生存期DMFS的最大差异。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 深度学习放射组学研究乳腺肌肉指数对乳腺癌远处转移的影响

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD