一种非小细胞肺癌患者TMB水平的预测方法及装置

一种非小细胞肺癌患者tmb水平的预测方法及装置
技术领域
1.本技术属于计算机辅助医学领域，具体涉及一种非小细胞肺癌患者tmb水平的预测方法及装置。


背景技术：

2.非小细胞肺癌(nsclc，nonsmall-cell lung cancer)是肺癌最主要的类型，对于晚期不可手术的患者来说免疫治疗已经被证明对其生存存在明显的获益。tmb(tumor mutational burden，肿瘤突变负荷)被认为是pd-1/pd-l1抑制剂产生免疫应答的一种生物标志物，并且临床中观察到nsclc患者中对免疫检查点抑制剂有强烈反应，且都具有较高的tmb分级。目前市场已存在帕博利珠单抗药物用于治疗tmb高的实体瘤，所以，确定可以从免疫检查点阻断治疗中受益的患者是改善临床结局的关键。虽然tmb被认为能够预测nsclc患者对pd-1/pd-l1阻断的反应，但当下tmb需通过全外显子组测序准确测量，这种方法价格昂贵，大多数患者无法负担，并且对于晚期不能手术的患者来说无法获得其临床样本，无法计算tmb大小；其次随着二代测序的发展，虽然基于panel(本领域技术人员通称为基因包，通指一组或一套检测，主要指同时检测多个基因、多个位点)的肿瘤组织测序在临床实践中很常见，但panel大小、突变类型等存在差异，应用效果不佳。


技术实现要素：

3.为解决现有技术中的不足，本技术提出了一种非小细胞肺癌患者tmb水平的预测方法及装置。
4.第一方面，本技术提出了一种非小细胞肺癌患者tmb水平的预测方法，包括：
5.收集非小细胞肺癌患者样本，包括非小细胞肺癌患者非对比增强ct图像和非小细胞肺癌患者基因测序数据；
6.根据所述非小细胞肺癌患者基因测序数据计算非小细胞肺癌患者样本的tmb值，根据所述tmb值对所述非小细胞肺癌患者样本分组，得到非小细胞肺癌患者样本分组结果；
7.选择所述非小细胞肺癌患者非对比增强ct图像中的兴趣区域，提取所述兴趣区域的图像特征作为初步影像组学特征；
8.对所述初步影像组学特征做标准化和归一化处理，生成标准化初步影像组学特征；
9.根据所述非小细胞肺癌患者样本分组结果，对所述标准化初步影像组学特征进行特征筛选，得到目标影像组学特征；
10.根据所述目标影像组学特征建立影像组学评估模型，并通过所述影像组学评估模型预测非小细胞肺癌患者tmb水平。
11.在本技术较佳的实施例中，所述初步影像组学特征包括：一阶特征、形态学特征、纹理特征和小波特征。
12.在本技术较佳的实施例中，所述目标影像组学特征包括：平整度、最小值以及自相
关性，所述平整度为所述非对比增强ct图像的一阶特征，所述最小值以及自相关性为所述非对比增强ct图像的小波特征。
13.在本技术较佳的实施例中，所述根据所述非小细胞肺癌患者样本分组结果，对所述标准化初步影像组学特征进行特征筛选，得到目标影像组学特征，具体为：
14.将所述非小细胞肺癌患者样本分组结果和所述标准化初步影像组学特征结合，所述非小细胞肺癌患者样本分组结果为因变量，所述标准化初步影像组学特征为自变量；
15.根据结合结果，从所述初步影像组学特征中筛选出第一回归系数不为0的目标影像组学特征。
16.在本技术较佳的实施例中，所述第一回归系数采用最小绝对值收敛和选择算子回归模型方法计算，所述最小绝对值收敛和选择算子回归模型的损失函数表达式如下：
[0017][0018]
其中，ω为第一回归系数，x标准化的初步影像组学特征值，y为tmb分组，i为第i个非小细胞肺癌患者样本，t为停止条件控制参数，n为非小细胞肺癌患者样本个数，λ为常数系数，||ω||1为ω的l1范数。
[0019]
在本技术较佳的实施例中，所述建立影像组学评估模型，是通过将所述非小细胞肺癌患者样本分组结果与所述目标影像组学特征值结合，通过逻辑回归分析方法建立，其中所述非小细胞肺癌患者样本分组结果为因变量，所述目标影像组学特征值为自变量。
[0020]
在本技术较佳的实施例中，所述逻辑回归分析方法表达式为：
[0021][0022]
其中，pi＝p(yi＝1|x
1i
，x
2i
，...，x
ki
)，为x取值系列值(x
1i
，x
2i
，...，x
ki)
时tmb值分组结果的发生概率，k为目标影像组学特征值总个数；x为目标影像组学特征值，i为第i个目标影像组学特征值，y取值0或者1，α为常数，β为第二回归系数；p为输入x时，y等于0或1时的概率。
[0023]
第二方面，本技术提出了一种非小细胞肺癌患者tmb水平的预测装置，包括：
[0024]
样本收集模块，用于收集非小细胞肺癌患者样本，包括非小细胞肺癌患者非对比增强ct图像和非小细胞肺癌患者基因测序数据；
[0025]
tmb值计算模块，用于根据所述非小细胞肺癌患者基因测序数据计算非小细胞肺癌患者样本的tmb值，根据所述tmb值对所述非小细胞肺癌患者样本分组，得到非小细胞肺癌患者样本分组结果；
[0026]
兴趣区域选择模块，用于选择所述非小细胞肺癌患者非对比增强ct图像中的兴趣区域，提取所述兴趣区域的图像特征作为初步影像组学特征；
[0027]
标准化处理模块，用于对所述初步影像组学特征做标准化和归一化处理，生成标准化初步影像组学特征；
[0028]
特征筛选模块，用于根据所述非小细胞肺癌患者样本分组结果，对所述标准化初步影像组学特征进行特征筛选，得到目标影像组学特征；
[0029]
影像组学评估模型建立模块，用于根据所述目标影像组学特征建立影像组学评估模型，并通过所述影像组学评估模型预测非小细胞肺癌患者tmb水平。
[0030]
第三方面，本技术提出了一种计算机可读存储介质，其上存储有计算机程序，该程
序被处理器执行时实现任一项非小细胞肺癌患者tmb水平的预测方法的步骤。
[0031]
第四方面，本技术提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项非小细胞肺癌患者tmb水平的预测方法的步骤。
[0032]
本技术一些实施例提供的技术方案带来的有益效果至少包括：
[0033]
本技术提供了一种非小细胞肺癌患者tmb水平的预测方法及装置，通过对提取的非小细胞肺癌患者非对比增强ct图像的影像组学特征筛选，得到了与非小细胞肺癌tmb大小相关的目标影像组学特征，根据得到的目标影像组学特征构建影像组学评估模型，通过该影像组学评估模型实现预测；本技术相比于全外显子组测序，提高效率，降低了成本，实现了可靠预测非小细胞肺癌患者tmb大小和免疫治疗预后的情况和对非小细胞肺癌患者精准治疗。
[0034]
本技术的其他特征和优点将在随后的说明书中阐述，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而了解。本技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0035]
为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
[0036]
本技术附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术实践了解到。
附图说明
[0037]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]
图1为本技术实施例所示的非小细胞肺癌患者tmb水平的预测方法流程图；
[0039]
图2为本技术实施例所示的影像组学评估模型动态列线图；
[0040]
图3为本技术实施例所示的roc法仿真对比图；
[0041]
图4为本技术实施例所示的校准曲线法仿真对比图；
[0042]
图5为本技术实施例所示的dca曲线法仿真对比图；
[0043]
图6为本技术实施例所示的非小细胞肺癌患者tmb水平的预测装置的原理框图。
具体实施方式
[0044]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例方式作进一步地详细描述。
[0045]
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的本技术的一些方面相一致的方法及装置的例子。
[0046]
在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不
能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0047]
实施例一：
[0048]
下面将结合附图，对本技术实施例提供的一种非小细胞肺癌患者tmb水平的预测方法进行详细介绍。
[0049]
请参见图1，为本技术实施例提供的一种非小细胞肺癌患者tmb水平的预测方法的流程图。如图1所示，本技术实施例的所述方法可以包括以下步骤：
[0050]
s101，收集非小细胞肺癌患者样本，包括非小细胞肺癌患者非对比增强ct图像和非小细胞肺癌患者基因测序数据；
[0051]
ct图像分非对比增强图像和增强图像，增强ct在扫描的同时向患者静脉里打造影剂，非对比增强ct图像就是平扫图像，与增强ct图像的区别为未向血管里打造影剂。本实施例采集为非小细胞肺癌患者非对比增强ct图像；所述非小细胞肺癌患者基因测序数据为rna在非小细胞肺癌患者中的表达水平，所述非小细胞肺癌患者样本还包括非小细胞肺癌患者临床信息，所述非小细胞肺癌患者临床信息为非小细胞肺癌患者对免疫治疗的响应程度；
[0052]
具体实施过程中，本实施例从采集的非小细胞肺癌患者样本中抽取样本设立了训练集，训练集的非小细胞肺癌患者非对比增强ct图像从tcia(the cancer imaging archive，癌症图像档案)数据库获取，网址为http://www.cancerimagingarchive.net/；非小细胞肺癌患者基因测序数据从遗传和临床数据从tcga(the cancer genome atlas，癌症基因组图谱)数据库获取，网址为http://cancergenome.nih.gov；
[0053]
所有非小细胞肺癌患者非对比增强ct图像ct值为：窗宽400hu、窗位40hu，其中hu是ct测定人体某一局部组织或器官密度大小的一种计量单位。
[0054]
s102，根据所述非小细胞肺癌患者基因测序数据计算非小细胞肺癌患者样本的tmb值，根据所述tmb值对所述非小细胞肺癌患者样本分组，得到非小细胞肺癌患者样本分组结果；
[0055]
一种可能的实施方式中，根据tcga数据库获取的非小细胞肺癌患者基因测序数据，使用r语言“dplyr”软件包，计算出每个非小细胞癌患者样本的tmb值，以计算得到的tmb中值作为分类标准将所有非小细胞癌患者分为高级别tmb非小细胞肺癌(tmb-h)和低级别tmb非小细胞肺癌(tmb-l)两组。其中r语言为一种用于统计分析、绘图的程序设计语言，是大数据处理的常用工具之一。
[0056]
s103，选择所述非小细胞肺癌患者非对比增强ct图像中的兴趣区域，提取所述兴趣区域的图像特征作为初步影像组学特征；
[0057]
具体操作过程中，将非小细胞肺癌患者非对比增强ct图像导入开源软件3d-slicer，其中得到的初步影像组学特征是通3d-slicer软件的slicer radiomics插件从感兴趣区域提取；所述初步影像组学特征包括：一阶特征、形态学特征、纹理特征和小波特征。
[0058]
s104，对所述初步影像组学特征做标准化和归一化处理，生成标准化初步影像组
学特征；
[0059]
具体的，使用z-score(标准分数)算法将得到的初步影像组学特征转换为标准化初步影像组学特征；z-score标准化，也叫标准差标准化，z-score算法是对某一原始分值进行转换，变成的一个标准分值，该标准分值可使得原来无法比较的数值变得可比，z-score只被用作重新调整或标准化数据。
[0060]
一种可能的实施方式中，使用r语言的“scale”(标度)函数将所述初步影像组学特征转换为标准化初步影像组学特征，具体为生成一个取值范围为0附近的初步影像组学特征值，以减少数据规模大波动引起的潜在偏差；其中scale函数计算式如下：
[0061]
z＝(x-μ)/σ
[0062]
其中，x为初步影像组学特征值，μ为初步影像组学特征值数据的均值，σ为初步影像组学特征值数据的标准差，z为标准分数。
[0063]
s105，根据所述非小细胞肺癌患者样本分组结果，对所述标准化初步影像组学特征进行特征筛选，得到目标影像组学特征；
[0064]
一种可能的实施方式中，所述目标影像组学特征包括：平整度、最小值以及自相关性，所述平整度为所述非对比增强ct图像的一阶特征，所述最小值以及自相关性为所述非对比增强ct图像的小波特征。
[0065]
具体的，首先将同一名非小细胞肺癌患者的tmb分组结果和初步影像组学特征值进行匹配；
[0066]
一种可能的实施方式中，使用r语言的“merge”函数，以非小细胞肺癌患者样本编号作为识别标签，将同一名非小细胞肺癌患者得到的tmb分组和同名非小细胞肺癌患者的初步影像组学特征值匹配起来。
[0067]
其次，将步骤s102得到的tmb值分组结果和步骤s104得到的标准化初步影像组学特征结合在一起，采用适合高维数据回归运算的lasso(least absolute shrinkage and selection operator，最小绝对值收敛和选择算子)回归模型方法，从非小细胞肺癌患者非对比增强ct图像中筛选出第一回归系数不为零的目标影像组学特征。
[0068]
一种可能的实施方式中，使用r语言的“glmnet”软件包将所述非小细胞肺癌患者样本分组结果和所述标准化初步影像组学特征结合，所述非小细胞肺癌患者样本分组结果为因变量，所述标准化初步影像组学特征为自变量；本实施例筛选出作为预测特征的目标影像组学特征分别为：非对比增强ct图像中的1个一阶特征flatness(平整度)和2个小波特征minimum(最小值)、autocorrelation(自相关性)；其中“glmnet”为一个通过惩罚极大似然来适应广义线性和相似模型的软件包，该软件包采用循环坐标下降法，在其他参数不变的情况下，依次优化目标函数，并重复循环，直到收敛；
[0069]
根据结合结果，从所述初步影像组学特征中筛选出第一回归系数不为0的目标影像组学特征。
[0070]
一种可能的实施方式中，所述第一回归系数采用lasso回归模型方法计算，所述lasso回归模型的损失函数表达式如下所示：
[0071][0072]
其中，ω为第一回归系数，所述第一回归系数为最小绝对值收敛和选择算子回归的回归系数；x为标准化的初步影像组学特征值，y为tmb分组，i为第i个非小细胞肺癌患者
样本，t为停止条件控制参数，n为非小细胞肺癌患者样本个数，λ为常数系数，||ω||1为ω的l1范数。
[0073]
s106，根据所述目标影像组学特征建立影像组学评估模型，并通过所述影像组学评估模型预测非小细胞肺癌患者tmb水平。
[0074]
具体的，所述建立影像组学评估模型，是通过将所述非小细胞肺癌患者样本分组结果与所述目标影像组学特征值结合，通过逻辑回归分析方法建立，其中所述非小细胞肺癌患者样本分组结果为因变量，所述目标影像组学特征值为自变量；
[0075]
一种可能的实施方式中，逻辑回归分析方法表达式为：
[0076][0077]
其中，pi＝p(yi＝1|x
1i
，x
2i
，...，x
ki
)，为x取值系列值(x
1i
，x
2i
，...，x
ki)
时tmb值分组结果的发生概率，k为目标影像组学特征值总个数；x为目标影像组学特征值，i为第i个目标影像组学特征值，y取值0或者1，α为常数，β为第二回归系数；p为输入x时，y等于0或1时的概率，为表达方便，通常用logit(p)表示。
[0078]
为了更详细描述实施过程，列举示例如下：
[0079]
一种可能的实施方式中，使用r语言“rms”软件包的“glm”函数将得到的tmb值分组结果作为因变量，将得到的三个目标影像组学特征值作为自变量结合在一起，使用logistic(逻辑)回归分析的方法建立影像组学评估模型。
[0080]
本技术结合非对比增强ct图像并利用影像组学技术建立了一个nsclc患者tmb水平的影像组学评估模型之外，还评估了该模型对nsclc患者免疫治疗效果的预测价值。
[0081]
具体的，在本技术另一种实施例中，一种非小细胞肺癌患者tmb水平的预测方法，还包括：从所述非小细胞肺癌患者样本抽取部分样本设立验证集；下面分别用roc法、校准曲线法来对比影响评估模型得到的tmb分组概率和患者真实tmb分组概率以验证影像组学评估模型的性能；并通过dca曲线法对影像组学评估模型做了临床实用性评价。详述过程如下：
[0082]
如图2所示，使用r语言的“lrm”和“regplot”函数，将得到的影像组学评估模型以动态列线图的形式展现，将非小细胞肺癌患者的目标影像组学特征值转化为非小细胞肺癌患者所属于的tmb分组的概率；
[0083]
使用r语言的“predict”函数得出影像组学评估模型的tmb分组正确概率；
[0084]
如图3所示，使用r语言“proc”软件包的“roc”函数将患者真实tmb分组和影像组学评估模型的tmb分组正确概率作为参数，采用roc(receiver operating characteristic，接受者操作特征)方法进行模型评价，得出训练集auc值为0.816、敏感性为0.800、特异性为0.719，验证集auc值为0.762、敏感性为0.771、特异性为0.750；其中auc((area under the curve)，曲线下面积)是衡量影像组学评估模型优劣的一种评价指标，表示预测的正例排在负例前面的概率，auc值越大的影像组学评估模型，正确率越高。
[0085]
如图4所示，使用r语言“rms”软件包的“calibrate”函数将患者真实tmb分组和筛选出的3个目标影像组学特征作为参数，采用校准曲线的方法进行模型评价，在训练集和两个验证集中都展示出了该模型的预测概率都非常接近实际的观察概率，预测概率与实际概率之间的距离很小，具有良好的一致性，模型校正了过拟合的问题，展示出了良好的区分度
和令人满意的性能；
[0086]
如图5所示，使用r语言的“rmda”软件包采用dca曲线的方法进行模型临床实用性评价，无论在训练集和验证集中，dca曲线显示影像组学评估模型在临床使用中，在任何阈概率的范围下依照模型结果进行干预的净收益都优于默认的净收益，dca曲线的结果展示出模型有一定的临床使用价值,在一定程度上可以帮助临床医生做出更好的临床决策。
[0087]
本实施例采用lasso逻辑回归和多因素logistic回归分析结合的方式，构建了一种可靠预测非小细胞肺癌患者tmb大小和免疫治疗预后情况的预测方法，把影像组学与肿瘤突变负荷以及患者对免疫检查点抑制剂的响应程度联系起来，从而进一步预测不同tmb水平患者的对免疫治疗的响应程度，并用于临床上的个体化治疗方案的选择。通过上述方法，实现了低成本高效率的可靠预测非小细胞肺癌患者tmb大小和免疫治疗预后情况，实现对非小细胞肺癌患者精准治疗。本实施例在验证集中充分验证了通过训练集建立的影像组学评估模型的准确性和敏感性。本实施例不但使用roc曲线来评估影像组学评估模型的准确性，还使用dca曲线评估了该影像组学评估模型是否具有临床实用性。
[0088]
实施例二：
[0089]
本技术提出了一种非小细胞肺癌患者tmb水平的预测装置，如图6所示，包括：
[0090]
样本收集模块，用于收集非小细胞肺癌患者样本，包括非小细胞肺癌患者非对比增强ct图像和非小细胞肺癌患者基因测序数据；
[0091]
tmb值计算模块，用于根据非小细胞肺癌患者基因测序数据计算非小细胞肺癌患者样本的tmb值，根据所述tmb值对所述非小细胞肺癌患者样本分组，得到非小细胞肺癌患者样本分组结果；
[0092]
兴趣区域选择模块，用于选择所述非小细胞肺癌患者非对比增强ct图像中的兴趣区域，提取所述兴趣区域的图像特征作为初步影像组学特征；
[0093]
标准化处理模块，用于对所述初步影像组学特征做标准化和归一化处理，生成标准化初步影像组学特征；
[0094]
特征筛选模块，用于根据所述非小细胞肺癌患者样本分组结果，对所述标准化初步影像组学特征进行特征筛选，得到目标影像组学特征；
[0095]
影像组学评估模型建立模块，用于根据所述目标影像组学特征建立影像组学评估模型，并通过所述影像组学评估模型预测非小细胞肺癌患者tmb水平。
[0096]
各模块依次顺序连接。
[0097]
实施例三：
[0098]
本技术提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项非小细胞肺癌患者tmb水平的预测方法的步骤。
[0099]
本发明实施例所提供的非小细胞肺癌患者tmb水平的预测方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0100]
在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储
介质中。
[0101]
基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述非小细胞肺癌患者tmb水平的预测方法的全部或部分步骤。
[0102]
而前述的存储介质包括：闪存、硬盘、多媒体卡、卡型存储器(例如，sd(secure digital memory card安全数字存储卡)或dx(为memory data register，mdr的缩写，内存资料寄存器)存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app(application，应用软件的缩写)应用商城等等各种可以存储程序校验码的介质，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现所述的非小细胞肺癌患者tmb水平的预测方法的各个步骤。
[0103]
实施例四：
[0104]
本技术提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的非小细胞肺癌患者tmb水平的预测方法的步骤。
[0105]
该电子设备可以是手机、电脑或平板电脑等，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被处理器执行时实现如实施例中所述的非小细胞肺癌患者tmb水平的预测方法。可以理解，电子设备还可以包括，输入/输出(i/o)接口，以及通信组件。
[0106]
其中，处理器用于执行如上述实施例中的所述的非小细胞肺癌患者tmb水平的预测方法中的全部或部分步骤。存储器用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
[0107]
所述处理器可以是专用集成电路(application specific integrated cricuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行实施例中所述的非小细胞肺癌患者tmb水平的预测方法。
[0108]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0109]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0110]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0111]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0112]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0113]
需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0114]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
[0115]
本技术申请人结合说明书附图对本技术的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本技术的优选实施方案，详尽的说明只是为了帮助读者更好地理解本技术精神，而并非对本技术保护范围的限制，相反，任何基于本技术的发明精神所作的任何改进或修饰都应当落在本技术的保护范围之内。

技术特征：
1.一种非小细胞肺癌患者tmb水平的预测方法，其特征在于，包括：收集非小细胞肺癌患者样本，包括非小细胞肺癌患者非对比增强ct图像和非小细胞肺癌患者基因测序数据；根据所述非小细胞肺癌患者基因测序数据计算非小细胞肺癌患者样本的tmb值，根据所述tmb值对所述非小细胞肺癌患者样本分组，得到非小细胞肺癌患者样本分组结果；选择所述非小细胞肺癌患者非对比增强ct图像中的兴趣区域，提取所述兴趣区域的图像特征作为初步影像组学特征；对所述初步影像组学特征做标准化和归一化处理，生成标准化初步影像组学特征；根据所述非小细胞肺癌患者样本分组结果，对所述标准化初步影像组学特征进行特征筛选，得到目标影像组学特征；根据所述目标影像组学特征建立影像组学评估模型，并通过所述影像组学评估模型预测非小细胞肺癌患者tmb水平。2.根据权利要求1所述的非小细胞肺癌患者tmb水平的预测方法，其特征在于，所述初步影像组学特征包括：一阶特征、形态学特征、纹理特征和小波特征。3.根据权利要求1所述的非小细胞肺癌患者tmb水平的预测方法，其特征在于，所述目标影像组学特征包括：平整度、最小值以及自相关性，所述平整度为所述非对比增强ct图像的一阶特征，所述最小值以及自相关性为所述非对比增强ct图像的小波特征。4.根据权利要求1所述的非小细胞肺癌患者tmb水平的预测方法，其特征在于，所述根据所述非小细胞肺癌患者样本分组结果，对所述标准化初步影像组学特征进行特征筛选，得到目标影像组学特征，具体为：将所述非小细胞肺癌患者样本分组结果和所述标准化初步影像组学特征结合，所述非小细胞肺癌患者样本分组结果为因变量，所述标准化初步影像组学特征为自变量；根据结合结果，从所述初步影像组学特征中筛选出第一回归系数不为0的目标影像组学特征。5.根据权利要求3所述的非小细胞肺癌患者tmb水平的预测方法，其特征在于，所述第一回归系数采用最小绝对值收敛和选择算子回归模型方法计算，所述最小绝对值收敛和选择算子回归模型的损失函数表达式如下：其中，ω为第一回归系数，x为标准化的初步影像组学特征值，y为tmb分组，i为第i个非小细胞肺癌患者样本，t为停止条件控制参数，n为非小细胞肺癌患者样本个数，λ为常数系数，||ω||1为ω的l1范数。6.根据权利要求1所述的非小细胞肺癌患者tmb水平的预测方法，其特征在于，所述建立影像组学评估模型，是通过将所述非小细胞肺癌患者样本分组结果与所述目标影像组学特征值结合，通过逻辑回归分析方法建立，其中所述非小细胞肺癌患者样本分组结果为因变量，所述目标影像组学特征值为自变量。7.根据权利要求5所述的非小细胞肺癌患者tmb水平的预测方法，其特征在于，所述逻辑回归分析方法的表达式为：
其中，p
i
＝p(y
i
＝1|x
1i
，x
2i
，...，x
ki
)，为x取值系列值(x
1i
，x
2i
，...，x
ki)
时tmb值分组结果的发生概率，k为目标影像组学特征值总个数；x为目标影像组学特征值，i为第i个目标影像组学特征值，y取值0或者1，α为常数，β为第二回归系数；p为输入x时，y等于0或1时的概率。8.一种非小细胞肺癌患者tmb水平的预测装置，其特征在于，包括：样本收集模块，用于收集非小细胞肺癌患者样本，包括非小细胞肺癌患者非对比增强ct图像和非小细胞肺癌患者基因测序数据；tmb值计算模块，用于根据所述非小细胞肺癌患者基因测序数据计算非小细胞肺癌患者样本的tmb值，根据所述tmb值对所述非小细胞肺癌患者样本分组，得到非小细胞肺癌患者样本分组结果；兴趣区域选择模块，用于选择所述非小细胞肺癌患者非对比增强ct图像中的兴趣区域，提取所述兴趣区域的图像特征作为初步影像组学特征；标准化处理模块，用于对所述初步影像组学特征做标准化和归一化处理，生成标准化初步影像组学特征；特征筛选模块，用于根据所述非小细胞肺癌患者样本分组结果，对所述标准化初步影像组学特征进行特征筛选，得到目标影像组学特征；影像组学评估模型建立模块，用于根据所述目标影像组学特征建立影像组学评估模型，并通过所述影像组学评估模型预测非小细胞肺癌患者tmb水平。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项非小细胞肺癌患者tmb水平的预测方法的步骤。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的非小细胞肺癌患者tmb水平的预测方法的步骤。

技术总结
本申请公开了一种非小细胞肺癌患者TMB水平的预测方法及装置，属于计算机辅助医学技术领域，方法包括：收集非小细胞肺癌患者样本；计算非小细胞肺癌患者样本的TMB值，根据TMB值对非小细胞肺癌患者样本分组；提取样本中非对比增强CT图像中兴趣区域的图像特征为初步影像组学特征；对初步影像组学特征做标准化和归一化处理，生成标准化初步影像组学特征；根据非小细胞肺癌患者样本分组结果，对标准化初步影像组学特征进行特征筛选，得到目标影像组学特征；根据目标影像组学特征建立影像组学评估模型，并通过该模型实现非小细胞肺癌患者TMB水平预测。本申请实现了低成本高效率情况下可靠预测非小细胞肺癌患者TMB大小和对非小细胞肺癌患者精准治疗。癌患者精准治疗。癌患者精准治疗。


技术研发人员：王宏志 王捷晓 王姝洁 黄祥 齐健 洪波
受保护的技术使用者：中国科学院合肥肿瘤医院
技术研发日：2023.03.23
技术公布日：2023/7/12