一种垂体神经内分泌肿瘤谱系及亚型的预测系统,包括图像采集模块、谱系诊断模块、生物标志物诊断模块和表达导出模块。图像采集模块用于生成目标数据;谱系诊断模块用于将目标数据的输入编码器模块中,生成高表征能力的特征嵌入,得到目标数据的谱系类别;生物标志物诊断模块包括七个生物标志物诊断子单元,通过七个生物标志物诊断子单元分别预测与垂体神经内分泌肿瘤亚型相关的七种生物标志物的表达水平;生物标志物诊断子单元包括特征分类模块、特征筛选模块、特征聚合模块和生物标志物预测模块;表达导出模块将谱系类别与生物标志物表达水平结合,得到目标数据的垂体神经内分泌肿瘤谱系及亚型结果。
背景技术
垂体神经内分泌肿瘤(pituitary neuroendocrine tumors,PitNETs)又称垂体腺瘤,来源于垂体前叶细胞,约占颅内原发肿瘤的10%~20%,发病率仅次于胶质瘤和脑膜瘤。2017 年世界卫生组织(World Health Organization,WHO)颁布了第4版内分泌器官相关肿瘤的病理分型,修订了垂体和鞍区肿瘤的病理分类和命名,不仅强调了垂体腺瘤的重新命名,同时提出来在腺垂体分泌激素的免疫组织化学(Immunohistochemistry,IHC)基础上,建议进一步完善转录因子作为细胞分化来源的重要标志物。2022年第5版WHO内根据肿瘤细胞的分化谱系将PitNETs/垂体腺瘤分为垂体特异性转录因子-1(pituitary-specifictranscription factor-1,PIT-1)细胞谱系、T-BOX转录因子19(T-box pituitarytranscription factor,TPIT)细胞谱系、类固醇生成因子-1( steroidogenic factor-1,SF-1)细胞谱系、无确切细胞谱系四大谱系及16种亚型。
大量的IHC检测是PitNETs/垂体腺瘤分型的基础,但是其对病人而言价格昂贵,有些基层单位尚无法开展此项检测技术。且使用IHC方法比较消耗时间和组织,容易受检测前条件的影响。同时,不同单位及观察者之间或观察者内部存在着判读时的主观差异性,导致结果的不一致性较高。因此,需要一种新的技术能够替代病理医师的判读,提高诊断的精准性,降低患者的医疗成本,进而为PitNETs/垂体腺瘤患者术后的个体化及多模式治疗提供更精准的助力。
人工智能深度学习算法可直接提取图像深层特征信息,并自动学习,然而目前深度学习算法模型的应用多集中在乳腺癌、前列腺癌、结直肠癌、头部肿瘤等领域,针对垂体神经内分泌肿瘤的深度学习算法目前还是空白。因此,开发高准确性的基于垂体神经内分泌肿瘤预测谱系及亚型的人工智能辅助诊断模型意义重大。
实现思路