一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统

1.本发明属于医学影像组学和癌症医学交叉领域，涉及一种采用机器学习和多种统计方法的癌症生存预测系统，具体涉及一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统。


背景技术：

2.卵巢癌是女性常见癌症中的第5位，在癌症相关死亡人数中排名第5。其发病率和死亡率分别在女性生殖系统癌症中排名第2和第1。由于缺乏有效的筛查和早期诊断工具，大多数卵巢癌患者在确诊时已经出现扩散。卵巢癌患者的5年生存率仅为49.1％。因此卵巢癌的及时诊断以及有效的预后评估对改善卵巢癌患者的身体健康状态以及延长卵巢癌患者的生存时间有重要意义。
3.超声检查是卵巢癌患者最常见的非侵入性诊断检查。相比于磁共振图像(mri)和计算机断层扫描(ct)，超声检查便宜、无创、易于获取且无禁忌症，是卵巢癌筛查中的常见检查手段。
4.影像组学基于在医学影像中提取的特征，对癌症患者的诊断以及生存预测方面有应用价值。在回顾研究中注意到病人保存的超声检查影像往往有同一时间多个角度观察肿瘤病灶的二维图像，不同于ct和mri等多个连续二维图叠加的三维形式仅需单份检查能够较为完整的展示病人的病灶情况，因此综合多份超声检查的结果对卵巢癌病人的生存预测具有重要意义。


技术实现要素：

5.本发明旨在提供一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统。本发明方法以机器学习和多种统计方法为基础，能有效利用病人的多角度超声检查图像信息，相比传统的仅采用最大肿瘤超声影像构建的基于影像组学卵巢癌生存预测方法有着较好的表现，对提高基于影像组学的卵巢癌生存预测体现表现有着重要的意义，且能够将类似的做法应用到其他的单份检查难以全面展示肿瘤情况的研究中。
6.本发明的目的是通过一下技术方案实现的：一种基于病人多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，包括以下模块：
7.(1)数据获取模块：用于获取卵巢癌病人生存随访数据以及病人卵巢癌根治术、全面分期术前的经阴道或经腹超声影像，在超声影像中人工标记卵巢癌肿瘤区域构成包括超声影像和真实随访数据的原始数据集；
8.(2)特征提取模块：将原始超声影像进行图像变换，并在图像变换后根据人工标注的卵巢癌肿瘤区域提取影像组学特征，分别根据同一病人的多份超声检查的图像变换前后的每张超声图像中的卵巢癌肿瘤区域计算影像组学特征，同时根据病人随访数据获取病人的预后信息，共同构建超声生存分析数据集；
9.(3)数据预处理模块：图像变换后提取的部分特征区分度极低，先将低方差特征剔除后统一影像组学特征的标准差及均值形成标准化数据集；
10.(4)样本变化稳定性特征筛选模块：对标准化数据集进行多次采样并基于cox单变量进行筛选，根据特征的被选中频率确定样本变化稳定性特征；样本变化稳定性特征在训练数据集变化时仍然高概率被选中；
11.(5)生存预测特征筛选模块：对于所述样本变化稳定性特征，根据任务需求进一步筛选出与生存预测任务相关的特征；并根据同一病人多张图像中的与生存预测任务相关的特征计算统计特征，并对统计特征使用多变量cox筛选；
12.(6)生存预测模型构建模块：基于生存预测特征筛选模块中选择的特征构建卵巢癌超声影像生存预测模型。
13.进一步地，所述的数据获取模块，超声影像为经阴道超声或经腹超声，不包含多普勒血流信号；人工标记的卵巢癌肿瘤区域在超声影像中清晰可见且能够完整显示病灶；超声影像的灰度标准化至[0,255]。
[0014]
进一步地，所述的特征提取模块中，图像变换包括计算像素的平方值、平方根值、指数值、对数值、梯度值、局部二值模式以及四种小波变换(ll,lh,hl,hh)；特征提取对每张超声影像单独进行，特征提取模块作用于数据获取模块获取的所有超声影像，影像组学特征结合病人随访数据中的预后信息，共同构建超声生存分析数据集。计算的特征包括形状特征(所有的图像变换相同，仅计算一次)、一阶统计特征、纹理特征；纹理特征包括灰度共生矩阵特征、灰度行程矩阵特征、灰度区域大小矩阵特征、领域灰度差矩阵特征以及灰度依赖性矩阵特征。
[0015]
进一步地，所述超声生存分析数据集表示为(f,e,t)，其中，f为超声检查影像组学特征，e和t分别为提取自病人随访数据的预后信息；
[0016]
f＝[f1，f2，
…fm
，f
square1
，f
square2
，
…fsquarem
，f
wavelethh1
，
…
，f
wavelethhm
]∈rn×
p
[0017]
其中，r为实数域，n为样本量，p为原始图及所有图像变换的影像组学特征数，f表示图片经过变换后提取的影像组学特征，下标表示特征提取自原始图或图像变换后的肿瘤区域，f1，f2，...fm分别表示提取自原始超声影像的特征，f
square1
，f
square2
，...f
squarem
分别表示提取自平方图像变换后的影像组学特征，f
wavelethh1
，...，f
wavelethhm
表示提取自小波变换高-高分量图像变换后的影像组学特征，其中m表示提取自原始图或单一图像变换的影像组学特征数量；
[0018]
e＝[e1，e2，...，en]∈{0，1}n为n个样本的事件标签，在总生存预测任务中，e表示样本是否存活；而在无复发生存预测任务中，e表示样本是否复发；
[0019]
t＝[t1，t2，...，tn]∈rn为n个样本的事件时间，在总生存预测任务中，如果病人死亡t表示样本存活的时间，如果病人存活t表示随访时间；在无复发生存预测任务中，如果病人复发t表示样本的无复发存活时间，如果病人不复发t表示随访时间。
[0020]
进一步地，所述数据预处理模块中，先将没有区分度的特征(方差＜0.0001)剔除，并将提取的所有影像组学特征f进行z-score标准化，标准差变为1，均值变为0，将标准化后的矩阵记为f
′
＝[f
′1，f
′2，...f
′m，f
′
square1
，f
′
square2
，...f
′
squarem
，...f
′
wavelethhm
]，与预后信息共同构成标准化数据集(f
′
，e，t)。
[0021]
进一步地，所述样本变化稳定性特征筛选模块中，随机抽取部分标准化数据集样
本并重复多次，每次对抽取的样本进行cox单变量筛选，并统计不同样本被选中的频率，当其被选中的频率大于80％时视作样本变化稳定性特征f1。
[0022]
进一步地，所述生存预测特征筛选模块中，根据病人的预后信息以及筛选出的样本变化稳定性特征，使用2年生存情况作为标签，随机抽取部分样本变化稳定性特征样本并重复多次，每次对抽取的样本使用最小绝对值选择与收缩算子算法筛选，并统计不同特征被选中的频率，当其被选中的频率大于80％时视作与生存预测任务相关的特征f2；筛选出与生存预测任务相关的特征后，根据同一病人多张图像中的与生存预测任务相关的特征计算得到多个统计特征(包括最大值、最小值、均值、中位数)，并对多个统计特征使用cox多变量筛选，保留p值最小的统计特征作为最终选用的特征f3。
[0023]
进一步地，所述生存预测模型构建模块中，生存预测模型采用的是cox模型。
[0024]
本发明的有益效果是：
[0025]
本发明提供的一种基于病人多份超声检查影像组学特征构建的卵巢癌生存预测系统，针对单份超声检查无法完整展示病人肿瘤病灶信息的情况，本发明采用机器学习和多种统计学方法，并结合生存分析，综合超声检查中从不同角度观察的病灶结果构建病人超声影像特征，基于多份超声检查影像组学特征统计量构建卵巢癌生存预测系统，可以综合利用多份超声的特征，比仅考虑观察到最大肿瘤的超声影像构建的卵巢癌生存预测系统性能更好。本发明中提出的综合单个样本以及病人特征统计量的特征筛选方法，相比仅考虑特征统计量的特征筛选方法在卵巢癌生存预测系统中性能更好。本发明对提高基于多份检查的影像组学卵巢癌生存预测系统的鲁棒性及表现能力具有重要意义。该系统可以充分利用病人超声检查中多角度多病灶的信息，相比仅采用最大肿瘤区域特征的模型效果更好。
附图说明
[0026]
图1为本发明基于病人多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统的模块示意图；
[0027]
图2为本发明基于病人多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统的特征提取模块实现示意图；
[0028]
图3为本发明基于病人多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统的样本变化稳定性特征筛选模块及生存预测特征筛选模块实现流程图；
[0029]
图4为本发明基于病人多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统与其他方法的表现对比。(a)不同特征筛选方法在总生存预测中的对比结果，本发明中使用的方法为多次单变量预筛选的频率表现(frequency appearance in multiple univariate pre-screening，简称famus)结合最小绝对值收敛和选择算子(least absolute shrinkage and selection operator，简称lasso)筛选，缩写为famus_lasso，其余方法则是在全特征计算统计量基础上进行特征筛选(b)不同特征筛选方法在无复发生存预测中的对比结果，famus_lasso为本发明提出方法，其余方法则是在全特征计算统计量基础上进行特征筛选(c)不同生存分析模型在总生存预测中的对比结果，使用相同的特征筛选方法(d)不同生存分析模型在无复发生存预测中的对比结果，使用相同的特征筛选方法。
具体实施方式
[0030]
下面结合附图和机体示例对本发明作进一步详细说明，但本发明不受限于此。
[0031]
1.实验材料：
[0032]
实验样本数据：卵巢癌经阴道超声及经腹超声影像，不包含多普勒血流信号；数据对应的生存预测任务为总生存(overall survival,os)预测任务和无复发生存(recurrence-free survival,rfs)预测任务；采集于一家医院的卵巢癌超声数据按扫描时间划分为训练组(training cohort)和内部验证组(internal validation cohort)，采集于另一家医院的数据作为外部验证组(external validation cohort)。
[0033]
操作系统：centos 7
[0034]
软件：python
[0035]
2.实验方法，如图1所示：
[0036]
(1)数据获取模块，用于获取超声影像、病人预后信息以及人工标记的超声影像中卵巢癌肿瘤区域；人工标记的卵巢癌肿瘤区域在超声影像中清晰可见且能够完整显示病灶；超声影像的灰度标准化至[0，255]。
[0037]
(2)特征提取模块中，对原始的超声影像及其一系列图像变换进行特征提取，使用的图像变换包括计算像素的平方值square、平方根值squareroot、指数值exponential、对数值logarithm、梯度值gradient、局部二值模式lbp以及四种小波变换(waveletll，waveletlh，wavelethl，wavelethh)；计算的特征包括形状特征、一阶统计特征、纹理特征；纹理特征包括灰度共生矩阵特征、灰度行程矩阵特征、灰度区域大小矩阵特征、领域灰度差矩阵特征以及灰度依赖性矩阵特征。进一步地，所述的特征提取模块中，将原始的数据集(x，e，t)通过一系列图像变换后转换为([x，x
square
，x
squareroot
，...，x
wavelethh
]，e，t)，随后在原图及多种图像变换后的图上提取影像组学特征后化为超声生存分析数据集(f，e，t)。其中f＝[f1，f2，...fm，f
square1
，f
square2
，...f
squarem
，...f
wavelethhm
]∈rn×
p
，其中r为实数域，n为样本量，p为原始图及所有图像变换的影像组学特征数，x表示超声影像数据集，f表示图片经过变换后提取的影像组学特征，m表示提取自原始图或单一图像变换的影像组学特征数量，e＝[e1，e2，...，en]∈{0，1}n为n个样本的事件标签，如在总生存预测任务中，e表示样本是否存活；而在无复发生存预测任务中，e表示样本是否复发。t＝[t1，t2，...，tn]∈rn为n个样本的事件时间，在总生存预测任务中，t表示样本存活的时间(如果病人死亡)或随访时间(如果病人存活)；在无复发生存预测任务中，t表示样本的无复发存活时间(如果病人复发)或随访时间(如果病人不复发)。
[0038]
具体地，特征提取模块如图2所示，用于提取特征的图一共有11张，分别为原始图像、像素值平方处理图像、像素值平方根处理图像、像素值指数处理图像、像素值对数处理图像、像素值梯度计算图像、像素值局部二值模式图像以及二维图像小波变换的四种(ll，lh，hl，hh)。计算特征时，二维形状特征有9个，且这部分特征所有图像变换中都相同，所有仅需计算一次；其余特征对于每次图像变换都需要重新计算，包括18个一阶统计特征、24个灰度共生矩阵(gray-level co-occurrence matrix，glcm)特征、16个灰度区域大小矩阵(gray-level size zone matrix，glszm)特征、16个灰度行程矩阵(gray-level run-length matrix，glrlm)特征、5个邻域灰度差矩阵(neighbourhood gray-tone difference matrix，ngtdm)以及14个灰度依赖性矩阵(gray-level dependence matrix features，
gldm)特征。合计共9+11
×
(18+24+16+16+5+14)＝1032个特征。
[0039]
(3)数据预处理模块中，先将低方差特征(方差＜0.0001)剔除，并要求提取的所有影像组学特征f进行z-score标准化，标准差变为1，均值变为0，将标准化后的矩阵记为标准化特征集f
′
＝[f
′1，f
′2，...f
′m，f
′
square1
，f
′
square2
，...f
′
squarem
，...f
′
wavelethhm
]，构成的标准化数据集为(f
′
，e，t)。
[0040]
(4)样本变化稳定性特征筛选模块中，随机抽选部分训练集样本并重复多次，每次对抽取的部分训练集样本进行cox单变量筛选，并统计不同变量被选中的频率，当其被选中的频率大于某个值(80％)时视作样本变化稳定性特征。
[0041]
(5)生存预测特征筛选模块中，根据病人的预后信息以及筛选出的样本变化稳定性特征，使用2年生存情况作为标签，并结合最小绝对值选择与收缩算子算法并用类似于样本变化稳定性特征筛选模块的方法重复多次并保留具有样本稳定性并与预后高相关的特征，得到与生存预测任务相关的特征。筛选出与生存预测任务相关的特征后根据同一病人的多份超声检查结果(即多张图像中)的与生存预测任务相关的特征计算统计特征(如最大值、最小值、均值、中位数)，并对统计特征使用cox多变量筛选，保留p值最小的统计特征作为最终选用的特征。
[0042]
具体地，样本变化稳定性特征模块及生存预测特征筛选模块如图3所示。先在样本层面对训练组数据随机采样1000次，并基于cox单变量筛选保留p值小于0.05的特征，并统计f
′
各个特征被选中的频率，将被选中频率大于80％(即被选中超过800次)的特征作为样本变化稳定性特征，用f1表示。再根据病人的预后信息，对于os任务则是2年是否生存，对于rfs任务则是2年是否复发的情况，结合lasso算法，同样是对训练组数据随机采样1000次，并用lasso算法选择和2年生存高相关的特征，保留选中频率超过80％的特征，用f2表示。f1和f2都是在超声影像层面的f
′
中筛选的，在f2的基础上再针对每个病人计算其不同超声检查中影像组学特征的统计量各4个，包括最大值、最小值、均值和中位数，并对f2中每个特征计算出来的4个统计量使用cox多变量筛选，保留其中p值最小的统计量特征作为病人的特征，用f3表示，最后的生存预测模型是基于f3以及临床特征患者年龄构建的。
[0043]
(6)生存预测模型构建模块中，生存预测模型采用的是cox模型。分别对os任务和rfs任务进行独立的特征筛选以及cox模型在训练组数据构建生存预测模型，并在内部验证组和外部验证组中对模型性能进行评估。
[0044]
3.实验结果
[0045]
为了展示本发明中的方法的优势，首先和仅采用一个病人肿瘤区域最大的超声影像的影像组学特征构建的基准模型进行对比，特征筛选方法类似，仅仅不做最后一步的特征筛选(即f2到f3的计算及筛选，同样结合了临床特征患者年龄)对比结果如表1所示，可以看到本发明中的方法比基准模型的c指数要更好，表明在生存预测方面有着更好的效果。此外，还对比了不同的特征筛选方法，一种是本发明中所使用的方法famus_lasso，此外还对比了结合lasso/随机森林(random forest,rf)/梯度提升决策树(gradient boosting decision tree,gbdt)以及序列前向特征筛选(sequential feature selection,sfs)/序列浮动前向特征筛选(sequential floating forward selection,sffs)方法，直接在所有影像组学特征的统计量上进行计算(即直接在f’上计算统计量得到1032
×
4＝4128个特征，并结合年龄特征)，对比结果如图4(a，b)所示，本发明中提出的特征筛选方法效果比常见的
特征筛选方法在卵巢癌生存预测方面有着更好的效果。cox模型在实际应用中的表现比其他的基于机器学习的生存预测模型泛化能力更好，对比的几种基于机器学习的生存预测模型包括随机生存森林(random survival forest，简写rsf)，条件生存森林(conditional survival forest，简写csf)，极限随机生存森林(extremely random survival forest，又称extra survival trees，简写est)以及深度生存模型(deepsurv，简写ds)。结果如图4(c，d)所示，其他算法容易过拟合，虽然在训练集中能获得更好的效果，但在内部验证和外部验证中效果不佳。本发明中使用的预后分析模型比其他基于机器学习的生存预测模型在卵巢癌生存预测方面有着更好的泛化效果。
[0046]
上述实施例仅为本发明较佳可行的实施例，用于说明本发明的技术方案以及具体细节，并非局限本发明的保护范围。尽管前述实施例对本发明进行了详细的说明，依然可以在不背离权利要求及其等同例的精神和范围下，对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，因此这些修改或替换均在此技术方案保护范围之内。
[0047]
表1本发明中的多样本超声卵巢癌生存预测模型和仅采用最大肿瘤区域的单样本，用均值和95％置信区间表示
[0048]

技术特征：
1.一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，其特征在于，包括以下模块：数据获取模块：用于获取卵巢癌病人生存随访数据以及病人卵巢癌根治术、全面分期术前的经阴道或经腹超声影像，在超声影像中人工标记卵巢癌肿瘤区域，得到包括超声影像和真实随访数据的原始数据集；特征提取模块：用于对所述原始数据集中的原始超声影像进行图像变换，并在图像变换后根据人工标记的卵巢癌肿瘤区域，分别根据图像变换前后的每张超声图像中的卵巢癌肿瘤区域计算影像组学特征，同时根据病人随访数据获取病人的预后信息，共同构建超声生存分析数据集；数据预处理模块：用于将超声生存分析数据集中的低方差影像组学特征剔除后，统一影像组学特征的标准差及均值，从而得到标准化数据集；样本变化稳定性特征筛选模块：对标准化数据集进行多次采样并基于cox单变量进行筛选，将影像组学特征中被选中频率大于80％的特征视为样本变化稳定性特征；生存预测特征筛选模块：对于所述样本变化稳定性特征，根据任务需求进一步筛选出与生存预测任务相关的特征；并根据同一病人多张图像中的与生存预测任务相关的特征计算统计特征，并对统计特征使用多变量cox筛选；生存预测模型构建模块：基于生存预测特征筛选模块中选择的特征构建卵巢癌超声影像生存预测模型。2.根据权利要求1所述的一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，其特征在于，所述的数据获取模块中，超声影像不包含多普勒血流信号；人工标记的卵巢癌肿瘤区域在超声影像中清晰可见且能够完整显示病灶；所述超声影像的灰度标准化至[0,255]。3.根据权利要求1所述的一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，其特征在于，所述的特征提取模块中，图像变换包括计算像素的平方值square、平方根值squareroot、指数值exponential、对数值logarithm、梯度值gradient、局部二值模式lbp以及四种小波变换waveletll,waveletlh,wavelethl,wavelethh。4.根据权利要求1所述的一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，其特征在于，所述影像组学特征包括形状特征、一阶统计特征和纹理特征；所述的纹理特征包括灰度共生矩阵特征、灰度行程矩阵特征、灰度区域大小矩阵特征、领域灰度差矩阵特征以及灰度依赖性矩阵特征。5.根据权利要求1所述的一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，其特征在于，所述超声生存分析数据集表示为(f,e,t)，其中，f为超声检查影像组学特征，e和t分别为提取自病人随访数据的预后信息；f＝[f1,f2,
…
f
m
,f
square1
,f
square2
,
…
f
squarem
,f
wavelethh1
,...,f
wavelethhm
]∈r
n
×
p
其中，r为实数域，n为样本量，p为原始图及所有图像变换的影像组学特征数，f表示图片经过变换后提取的影像组学特征，下标表示特征提取自原始图或图像变换后的肿瘤区域，f1,f2,
…
f
m
分别表示提取自原始超声影像的特征，f
square1
,f
square2
,
…
f
squarem
分别表示提取自平方图像变换后的影像组学特征，f
wavelethh1
,...,f
wavelethhm
表示提取自小波变换高-高分量图像变换后的影像组学特征，其中m表示提取自原始图或单一图像变换的影像组学特
征数量；e＝[e1,e2,
…
,e
n
]∈{0,1}
n
为n个样本的事件标签，在总生存预测任务中，e表示样本是否存活；而在无复发生存预测任务中，e表示样本是否复发；t＝[t1,t2,
…
,t
n
]∈r
n
为n个样本的事件时间，在总生存预测任务中，如果病人死亡t表示样本存活的时间，如果病人存活t表示随访时间；在无复发生存预测任务中，如果病人复发t表示样本的无复发存活时间，如果病人不复发t表示随访时间。6.根据权利要求1所述的一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，其特征在于，所述数据预处理模块中，先将超声生存分析数据集中方差<0.0001的低方差影像组学特征剔除，并将提取的所有影像组学特征f进行z-score标准化，标准差变为1，均值变为0，得到的标准化特征集为f
′
，与预后信息共同构成标准化数据集。7.根据权利要求1所述的一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，其特征在于，所述样本变化稳定性特征筛选模块中，随机抽取部分标准化数据集样本并重复多次，每次对抽取的样本进行cox单变量筛选，并统计不同样本被选中的频率，当其被选中的频率大于80％时视作样本变化稳定性特征f1。8.根据权利要求1所述的一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，其特征在于，所述生存预测特征筛选模块中，根据病人的预后信息以及筛选出的样本变化稳定性特征，使用2年生存情况作为标签，随机抽取部分样本变化稳定性特征样本并重复多次，每次对抽取的样本使用最小绝对值选择与收缩算子算法筛选，并统计不同特征被选中的频率，当其被选中的频率大于80％时视作与生存预测任务相关的特征f2；筛选出与生存预测任务相关的特征后，根据同一病人多张图像中的与生存预测任务相关的特征计算得到多个统计特征，并对多个统计特征使用cox多变量筛选，保留p值最小的统计特征作为最终选用的特征f3；所述统计特征包括最大值max、最小值min、均值mean和中位数median。9.根据权利要求1所述的一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，其特征在于，所述生存预测模型构建模块中，生存预测模型采用的是cox模型。

技术总结
本发明公开了一种基于多份超声检查影像组学特征统计量构建的卵巢癌生存预测系统，包括数据获取模块、特征提取模块、数据预处理模块、样本变化稳定性特征筛选模块、生存预测特征筛选模块以及生存预测模型构建模块。本发明针对病人超声检查采集的多病灶多角度特征进行统计分析，综合超声检查中从不同角度观察的病灶结果构建病人超声影像特征，重复采样实施Cox单变量筛选并在特征筛选过程中统计特征被选中的频率，确定对样本变化有稳定性的特征，最后结合预后信息筛选生存预测高相关的特征并建立卵巢癌生存预测系统。该系统相比仅采用最大肿瘤区域特征的模型效果更好，对提高基于医学影像组学的卵巢癌生存预测系统的鲁棒性和生存预测效果有重要意义。和生存预测效果有重要意义。和生存预测效果有重要意义。


技术研发人员：陆燕 刘鹏渊 左若宸 周莉媛
受保护的技术使用者：浙江大学
技术研发日：2023.03.15
技术公布日：2023/7/12