一种辅助肺癌风险评估的方法、装置、设备和可读存储介质与流程

本技术涉及深度学习的领域，具体而言，涉及一种辅助肺癌风险评估的方法、装置、设备和可读存储介质。

背景技术：

1、随着ct诊断技术的进步和ct筛查肺癌的普及，越来越多的小结节患者被发现。虽然筛查大大增加了早期肺癌特别是肺腺癌的检出率，却也无疑增加了过度诊断和过度治疗。非侵袭性早期肺癌甚至癌前病变的发现，大大增加了患者的精神负担，同时给临床外科医生的决策带来巨大困难。太小的病灶诊断良恶性困难，即使考虑恶性术中定位同样困难；选择让患者观察一方面患者心理压力过大，另一方面医生也无法完全确定病灶是否处于惰性阶段抑或快速恶变进展阶段，现有的肺癌检测通常是通过手术之后，确定患者的肿瘤类型，然后制定进一步的手术方案，导致浪费时间，容易拖缓患者病情。

2、随着影像学技术的发展和ct筛查的广泛应用，越来越多表现为磨玻璃结节(ggn)的早期肺腺癌被发现。ggn按实性成分的有无可以分为纯磨玻璃结节(pggn)、混合性磨玻璃结节(mggn)。表现为ggn的早期肺腺癌具有不同组织侵犯程度、侵袭性和不同临床结局，患者预后也存在很大差异。传统的形态学诊断，包括细胞学和组织学检查，可能会受到标本质量和病理学家诊断专业知识的显著影响。在实际工作中，在浸润性肺腺癌中，对于不同侵袭性的贴壁型、腺泡型、乳头型、微乳头型等亚型准确的鉴别以及测量每种亚型的占比就更为困难。

3、因此，如何准确的在术前辅助肺癌风险评估，达到病情和手术方式的判断，是一个需要解决的技术问题。

技术实现思路

1、本技术实施例的目的在于提供一种辅助肺癌风险评估的方法，通过本技术的实施例的技术方案可以准确的在术前辅助肺癌风险评估，达到病情和手术方式的判断的效果。

2、第一方面，本技术实施例提供了一种辅助肺癌风险评估的方法，包括，获取待预测用户的用户信息，其中，用户信息包括：待预测用户的基础信息、血液检测数据、微创数据和肺部影像数据中的至少一个；将用户信息输入预设的肺癌预测模型，得到待预测用户的肺癌评估结果，其中，肺癌预测模型包括肺癌良恶性鉴别评分模型和肺癌侵袭性评分模型，肺癌预测模型是基于确诊患者的甲基化叠加得分和患者数据建立的，甲基化叠加得分是基于预设的甲基化肺癌侵袭性预测模型，对确诊患者的肺癌数据进行预测得到的，甲基化肺癌侵袭性预测模型是通过采用多元线性回归分析甲基化指标与肺癌侵袭性的相关性建立的。

3、本技术在上述实施例中，通过预先训练好的肺癌预测模型可以联合无创影像学特征、血液检测和微创诊断性取材等相关数据，更加有效和准确地在术前或治疗前对肺癌的侵袭性做出评价的系统，可以达到促进临床医生治疗前更精准的病情判断、手术方式以及治疗方案的确定效果。

4、在一些实施例中，在获取待预测用户的用户信息之前，还包括：采用多元线性回归分析甲基化指标与肺癌侵袭性的相关性建立甲基化肺癌侵袭性预测模型；通过甲基化肺癌侵袭性预测模型对确诊患者的肺癌数据进行预测，得到确诊患者的甲基化叠加得分，其中，肺癌数据包括肺癌的大小、病理亚型、分化程度和高侵袭性特征；基于甲基化叠加得分和患者数据，建立肺癌预测模型。

5、本技术在上述实施例中，采用多元线性回归分析甲基化指标与肺癌侵袭性的相关性建立甲基化肺癌侵袭性预测模型可以将患者肺癌数据和不同的肺癌侵袭性分级进行单因素和多因素分析，准确的计算出患者的甲基化叠加得分，让最终肺癌预测模型能够融合患者的甲基化叠加得分因素，准确的辅助肺癌风险评估情况。

6、在一些实施例中，基于甲基化叠加得分和患者数据，建立肺癌预测模型，包括：基于甲基化叠加得分和患者数据，建立肺癌良恶性鉴别评分模型；基于甲基化叠加得分和恶性肺癌患者的患者数据，建立肺癌侵袭性评分模型。

7、本技术在上述实施例中，可以根据患者和恶性肺癌患者数据以及对应甲基化叠加得分分别训练不同的模型，用于预测不同类型患者的肺癌情况。

8、在一些实施例中，在基于甲基化叠加得分和患者数据，建立肺癌预测模型之后，还包括：建立不含良性病变的风险模型；结合风险模型和肺癌侵袭性评分模型，对甲基化叠加得分和患者肺癌侵袭性进行相关性分析。

9、本技术在上述实施例中，通过风险模型和肺癌侵袭性评分模型可以对患者的甲基化叠加得分和患者肺癌侵袭性进行准确的相关性分析。

10、在一些实施例中，采用多元线性回归分析甲基化指标与肺癌侵袭性的相关性建立甲基化肺癌侵袭性预测模型，包括：将肺癌侵袭性划分为多个等级；通过多个等级和确诊患者的基因检测结果进行单因素分析和多因素分析，得到甲基化肺癌侵袭性预测模型。

11、本技术在上述实施例中，可以将患者肺癌数据和不同的肺癌侵袭性分级进行单因素和多因素分析，准确的计算出患者的甲基化叠加得分，让最终肺癌预测模型能够融合患者的甲基化叠加得分因素，准确的辅助肺癌风险评估情况

12、在一些实施例中，将用户信息输入预设的肺癌预测模型，得到待预测用户的肺癌评估结果，包括：确定待预测用户是否患有恶性肿瘤；当确定待预测用户患有恶性肿瘤时，通过肺癌侵袭性评分模型对用户信息进行分析预测，得到肺癌评估结果；当没有确定待预测用户患有恶性肿瘤时，通过肺癌良恶性鉴别评分模型对用户信息进行分析预测，得到肺癌评估结果。

13、本技术在上述实施例中，可以优先确定用户是否已经确诊为肺癌，根据不同的确诊情况可以使用不同的评分模型进行评分，达到准确辅助肺癌风险评估的同时，节省预测过程中的资源。

14、在一些实施例中，在将用户信息输入预设的肺癌预测模型，得到待预测用户的肺癌评估结果之后，还包括：通过肺癌评估结果，获取待预测用户的肺癌得分；根据肺癌得分，分析待预测用户的手术方式。

15、本技术在上述实施例中，可以在术前进行肺癌分析，准确的确定患者合理的手术方法。

16、第二方面，本技术实施例提供了一种辅助肺癌风险评估的装置，包括：

17、获取模块，用于获取待预测用户的用户信息，其中，用户信息包括：待预测用户的基础信息、血液检测数据、微创数据和肺部影像数据中的至少一个；

18、预测模块，用于将用户信息输入预设的肺癌预测模型，得到待预测用户的肺癌评估结果，其中，肺癌预测模型包括肺癌良恶性鉴别评分模型和肺癌侵袭性评分模型，肺癌预测模型是基于确诊患者的甲基化叠加得分和患者数据建立的，甲基化叠加得分是基于预设的甲基化肺癌侵袭性预测模型，对确诊患者的肺癌数据进行预测得到的，甲基化肺癌侵袭性预测模型是通过采用多元线性回归分析甲基化指标与肺癌侵袭性的相关性建立的。

19、可选的，所述装置还包括：

20、第二预测模块，用于所述获取模块在获取待预测用户的用户信息之前，采用多元线性回归分析甲基化指标与肺癌侵袭性的相关性建立甲基化肺癌侵袭性预测模型；

21、通过甲基化肺癌侵袭性预测模型对确诊患者的肺癌数据进行预测，得到确诊患者的甲基化叠加得分，其中，肺癌数据包括肺癌的大小、病理亚型、分化程度和高侵袭性特征；

22、基于甲基化叠加得分和患者数据，建立肺癌预测模型。

23、可选的，第二预测模块具体用于：

24、基于甲基化叠加得分和患者数据，建立肺癌良恶性鉴别评分模型；

25、基于甲基化叠加得分和恶性肺癌患者的患者数据，建立肺癌侵袭性评分模型。

26、可选的，所述装置还包括：

27、分析模块，用于所述第二预测模块在基于甲基化叠加得分和患者数据，建立肺癌预测模型之后，建立不含良性病变的风险模型；

28、结合风险模型和肺癌侵袭性评分模型，对甲基化叠加得分和患者肺癌侵袭性进行相关性分析。

29、可选的，第二预测模块具体用于：

30、将肺癌侵袭性划分为多个等级；

31、通过多个等级和确诊患者的基因检测结果进行单因素分析和多因素分析，得到甲基化肺癌侵袭性预测模型。

32、可选的，预测模块具体用于：

33、确定待预测用户是否患有恶性肿瘤；

34、当确定待预测用户患有恶性肿瘤时，通过肺癌侵袭性评分模型对用户信息进行分析预测，得到肺癌评估结果；

35、当没有确定待预测用户患有恶性肿瘤时，通过肺癌良恶性鉴别评分模型对用户信息进行分析预测，得到肺癌评估结果。

36、可选的，所述装置还包括：

37、第二分析模块，用于所述预测模块在将用户信息输入预设的肺癌预测模型，得到待预测用户的肺癌评估结果之后，通过肺癌评估结果，获取待预测用户的肺癌得分；

38、根据肺癌得分，分析待预测用户的手术方式。

39、第三方面，本技术实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。

40、第四方面，本技术实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。

41、本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。