本技术属于生物医药，具体地，涉及一种不可切除肝细胞癌的预后决策系统。
背景技术：
1、不可切除肝细胞癌(uhcc)是一种全球性的健康挑战，是由于肿瘤大小、位置、数量、血管侵犯或肝功能储备不足等原因，导致无法通过手术切除的肝细胞癌；由于不能通过手术有效切除病灶，其预后生存率较低。目前针对uhcc的主要治疗策略为动脉内介入治疗(intra-arterial interventional therapy，以下简称iait)，其中包括经动脉化学栓塞(transarterial chemoembolization，以下简称tace)和肝动脉内化疗(hepatic arterialinfusion chemotherapy，以下简称haic)，这些策略依赖于每位患者独特的异质性影像生物标志物。此外，将tace或haic与分子靶向药物(mtas)或免疫检查点抑制剂(icis)联合应用，也展现出为uhcc患者有效延长生存期的潜力。
2、uhcc患者之间存在显著的异质性，包括个体间肿瘤负荷、肝功能储备、全身状况等方面，在不同个体间通常具有较大差异。目前的非手术治疗方案缺乏有效的个性化决策，往往通过治疗人员依据经验给出临床试验治疗方案，可能难以满足不同患者的需求。在为患病个体制定治疗方案时，还需要综合考虑其病史情况、肿瘤特征、治疗目标和既往方案等多种因素，目前的治疗决策过程往往较为复杂，需要多学科团队的协作和权衡利弊，如多科室会诊，这会占用额外的医疗资源；当医疗人员不足时，通常会采用常用方案，可能与患者实际情况不符，难以有效提高患者的转化治疗成功率。因此需要准确的自动化决策系统，以辅助治疗人员进行多方案下预后评估并以此提高患者住院管理效率。
3、cn113470782a公开了一种初始不可切除肝细胞癌外科手术前的临床预后预测模型，其基于slr前甲胎蛋白、癌灶数目、门静脉癌栓、主瘤最大径和tace治疗后肿瘤负荷变化5种病患样本的变量，训练nomogram模型并预测了适合tace治疗后进行补救性肝切除的患者及其预后生存。然而，cn113470782a没有考虑uhcc患者临床图像中的特征并预测疾病预后，例如对ct增强图像(cect)进行定量分析，测量uhcc病变的体积、位置、形态等，从而为其预测模型提供更加精确的数据支持，提高决策准确性。此外，其也未公开预测适合进行在病程中接受多种治疗手段的联合治疗的患者及其预后，利好接收tace单一治疗不是所有uhcc患者的特征。
4、基于以上uhcc预后方法的缺陷，提出了本技术。
技术实现思路
1、为了解决现有技术中存在的问题，本技术的目的在于提供一种不可切除肝细胞癌的预后决策系统，通过uhcc患者临床文本、cect图像的多模态队列数据训练多个预后预测模型，并利用决策单元和多个预后预测模型构建模块决策支持模型，可以给出多种治疗方案下的最优治疗决策与预后生存预测。
2、具体来说，本技术涉及如下方面：
3、本技术提出了一种不可切除肝细胞癌的预后决策系统，其包括如下功能：
4、样本数据预处理模块，获取不可切除肝细胞癌患者的临床文本变量，通过文本嵌入单元将临床文本变量转换为文本输入标记序列；以及采集不可切除肝细胞癌患者的术前ct增强图像，分割术前ct增强图像为动脉期ct增强图像和门脉期ct增强图像，通过图像嵌入单元将动脉期ct增强图像、门脉期ct增强图像转换为图像块输入标记序列；
5、预后预测模型构建模块，将文本输入标记序列、图像块输入标记序列输入深度学习模型，以捕获文本输入标记序列和图像块输入标记序列的全局关系，得到基于深度学习模型的预后预测模型，以预测患者生存评分；
6、决策支持模型构建模块，包括决策单元，决策单元基于多个预后预测模型执行最优预后决策；决策支持模型构建模块通过多个不可切除肝细胞癌患者队列训练得到多个预后预测模型，基于决策单元和多个预后预测模型构建决策支持模型，用于向不可切除肝细胞癌患者提供最优预后决策结果。
7、根据本技术的一个实施方式，通过文本嵌入单元将临床文本变量转换为文本输入标记序列包括：
8、将临床文本变量输入文本嵌入单元，进行线性映射；对线性映射后的临床文本变量进行标记化处理，得到临床文本变量标记序列；以及为每个临床文本变量标记序列分别添加位置嵌入，获得文本输入标记序列。
9、根据本技术的一个实施方式，通过图像嵌入单元将动脉期ct增强图像、门脉期ct增强图像转换为图像块输入标记序列包括：
10、将动脉期ct增强图像、门脉期ct增强图像输入图像嵌入单元，通过二维卷积层获得动脉期ct增强图像、门脉期ct增强图像的特征图，每个特征图包含多个特征图块；以及为每个特征图块分别添加位置嵌入，获得多个图像块输入标记序列。
11、根据本技术的一个实施方式，临床文本变量包括基线变量、化验变量和影像变量；基线变量包括年龄、性别、病史、ecog分级、并发症、hbv、腹水、连续局部治疗；化验变量包括alb、tbil、alt、ast、pt、inr、plt、afp；影像变量包括巴塞罗那临床肝癌分期、门静脉癌栓诊断结果、肿瘤转移结果、肿瘤大小、肿瘤数量、血管侵犯、肿瘤转移、child-pugh分级。
12、根据本技术的一个实施方式，深度学习模型由m个第一神经网络单元和n个第二神经网络单元组成；其中，每个文本输入标记序列、图像块输入标记序列输入第一个第一神经网络单元并分别经过其中的第一归一化层、第一神经网络层、第二归一化层和前馈神经网络处理，并进入下一个第一神经网络单元处理，直至经过第m个第一神经网络单元处理；将经过m个第一神经网络单元处理的文本输入标记序列、图像块输入标记序列进行统一化标记处理，得到融合文本输入标记序列信息和图像块输入标记序列信息的多模态统一标记序列。
13、根据本技术的一个实施方式，多模态统一标记序列进一步输入第一个第二神经网络单元并经过其中的第三归一化层、第二神经网络层、第四归一化层和前馈神经网络处理，并进入下一个第二神经网络单元处理，直至经过第n个第二神经网络单元处理；将经过n个第二神经网络单元处理的多模态统一标记序列通过分类单元并转换为不可切除肝细胞癌患者的预后生存评分；通过损失函数衡量不可切除肝细胞癌患者预后生存评分与不可切除肝细胞癌患者的真实预后生存评分间的差异，最小化损失函数以更新第一神经网络单元和第二神经网络单元，直至损失值达到规定水平并得到预后预测模型。
14、根据本技术的一个实施方式，通过多个不可切除肝细胞癌患者队列训练得到多个预后预测模型包括：
15、通过haic治疗不可切除肝细胞癌患者队列训练得到第一预后预测模型；通过tace治疗不可切除肝细胞癌患者队列训练得到第二预后预测模型；通过haic联合疗法治疗不可切除肝细胞癌患者队列训练得到第三预后预测模型；以及通过tace联合疗法治疗不可切除肝细胞癌患者队列训练得到第四预后预测模型。进一步包括：
16、通过第一预后预测模型得到haic生存评分；通过第二预后预测模型得到第一tace生存评分、第二tace生存评分；通过第三预后预测模型得到第一h-c生存评分、第二h-c生存评分；通过第四预后预测模型得到第一t-c生存评分、第二t-c生存评分。
17、根据本技术的一个实施方式，决策单元基于多个预后预测模型执行最优预后决策包括以下步骤：
18、对不可切除肝细胞癌患者进行haic生存评分预测；响应于haic生存评分低于mss1，对不可切除肝细胞癌患者进行第一tace生存评分预测；响应于haic生存评分不低于mss1，对不可切除肝细胞癌患者进行第二tace生存评分预测；响应于第一tace生存评分低于mss2，对不可切除肝细胞癌患者进行第一h-c生存评分预测；响应于第二tace生存评分不低于mss2，对不可切除肝细胞癌患者进行第一t-c生存评分预测；响应于第二tace生存评分低于mss2，对不可切除肝细胞癌患者进行第二h-c生存评分预测；响应于第一h-c生存评分不低于mss3，转而对不可切除肝细胞癌患者实施h-c；响应于第一h-c生存评分低于mss3，对不可切除肝细胞癌患者实施haic；响应于第一t-c生存评分不低于mss4，转而对不可切除肝细胞癌患者实施t-c；响应于第一t-c生存评分低于mss4，对不可切除肝细胞癌患者实施tace；响应于第二h-c生存评分不低于mss3，对不可切除肝细胞癌患者实施h-c；响应于第二h-c生存评分低于mss3，对不可切除肝细胞癌患者进行第二t-c生存评分预测；以及响应于第二t-c生存评分不低于mss4，对不可切除肝细胞癌患者实施t-c。
19、根据本技术的一个实施方式，mss1为第一预后预测模型训练集的haic生存评分的中位数；mss2为第二预后预测模型训练集的tace生存评分的中位数；mss3为第三预后预测模型训练集的h-c生存评分的中位数；mss4为第四预后预测模型训练集的t-c生存评分的中位数。
20、根据本技术的一个实施方式，h-c为haic联合治疗，其包括haic治疗联合tki(酪氨酸激酶抑制剂)治疗、ici(免疫检查点抑制剂)治疗和/或局部治疗；t-c为tace联合治疗，其包括tace治疗联合tki(酪氨酸激酶抑制剂)治疗、ici(免疫检查点抑制剂)治疗和/或局部治疗。
21、根据本技术的一个实施方式，haic生存评分、第一tace生存评分和第二tace生存评分为不可切除肝细胞癌患者的客观缓解率(orr)；以及第一h-c生存评分、第二h-c生存评分、第一t-c生存评分和第二t-c生存评分为不可切除肝细胞癌患者的一年总体生存期(os)。
22、有益效果
23、本技术所述不可切除肝细胞癌的预后决策系统具有以下技术效果：
24、1.本技术提出的基于深度学习的uhcc预后决策系统，针对现有预测模型提供的决策和预后的局限性和改进需求，提供了利用可以全局性学习医学影像、临床文本特征的预后预测模型，学习多模态医学临床数据的治疗预后特征表示。预后预测模型以神经网络的形式表示患者基线特征、临床数据、治疗方案和预后结果之间的复杂关系，从而结合决策单元提供了一个人工智能类的医疗图谱。通过这种方式，决策支持模型能够全面分析和利用这些多维信息，为患者提供多种预后预测结果并以此为基础提供最优治疗决策。
25、2.本技术提出的预后预测模型，其学习多模态临床数据中的全局关系以提炼临床结构化文本、非结构化文本和cect图像块的综合信息，可以分析患者队列中丰富的预后特征表示，因此具有更好的人群泛化性，较低的方法和计算复杂度，同时保证较高的准确度。决策支持模型除了可以为uhcc患者在四种治疗方案中准确提供个性化联合治疗或单一治疗决策外，还可以对多种治疗方案下预后都不理想的潜在患者建议进一步保守治疗，避免出现治疗偏差，以减轻患者痛苦、减小无效经济支出。本技术决策系统的应用将有助为患者提供个性化治疗决策，为帮助患者实现转化治疗，或进一步实现康复提供有力支持。
26、3.本技术提出的决策系统也可以帮助研究人员或医疗人员确定早期uhcc患者的治疗和住院规划，从而合理规整医疗资源使用，如基于近期患者队列帮助医疗机构确定医药、医疗器械的进购规划，基于患者生存评分协调科室住院床位分配等，为充分利用有限医疗资源提供可行方案。
1.不可切除肝细胞癌的预后决策系统，所述决策系统包括：
2.根据权利要求1所述的决策系统，其中，
3.根据权利要求1所述的决策系统，其中，
4.根据权利要求3所述的决策系统，其中：
5.根据权利要求1所述的决策系统，所述通过多个不可切除肝细胞癌患者队列训练得到多个所述预后预测模型包括：
6.根据权利要求5所述的决策系统，其中：
7.根据权利要求6所述的决策系统，其中，
8.根据权利要求7所述的决策系统，其中，
9.根据权利要求6所述的决策系统，其中，
10.根据权利要求6所述的决策系统，其中，
