一种基于HPV分型、载量与时序检测序列的宫颈癌筛查方法与流程

摘要: 本发明涉及计算机辅助医学数据处理与医学检验数据处理,尤其是涉及一种基于hpv分型、载量与时序检测序列的宫颈癌筛查方法。背景技术:1、子宫颈癌是全球女性常见恶性肿...
一种基于HPV分型、载量与时序检测序列的宫颈癌筛查方法与流程

本发明涉及计算机辅助医学数据处理与医学检验数据处理,尤其是涉及一种基于hpv分型、载量与时序检测序列的宫颈癌筛查方法。

背景技术:

1、子宫颈癌是全球女性常见恶性肿瘤,高危型人乳头瘤病毒(hpv)持续感染是其明确病因。hpv检测已成为宫颈癌初筛主流手段,但hpv阳性者中一过性感染占多数,若全部转诊阴道镜将造成医疗资源浪费与过度诊疗。因此,hpv阳性者的精准分流是宫颈癌筛查体系的核心问题。

2、现有技术方案一为专利文献cn120319466a《一种基于风险hpv拓展分型的宫颈癌筛查系统》(申请日2025年3月28日)。该方案以贝叶斯网络联合cox比例风险模型,动态获取hpv型别、细胞学结果、患者年龄及感染持续时间等数据,输出cin2+/3+的即时风险与累积风险,并自动生成阴道镜转诊与随访计划,另配置人工智能辅助细胞学与影像分析模块。该方案存在如下不足:其一,模型输入依赖细胞学结果,在缺乏细胞学可及性的基层无法替代二次采样;其二,贝叶斯网络与cox模型属黑箱模型,可解释性有限,难以追溯各因素对结果的贡献权重;其三,未将纵向载量轨迹(上升、稳定、下降)纳入动态预测特征;其四,载量未采用试剂盒原生的拷贝/毫升量纲,须经内参校正后方可使用。

3、现有技术方案二为专利文献cn111710427a《宫颈癌癌前早期病变阶段诊断模型及建立方法》(公开日2020年9月25日)。该方案以hpvdna检测结果与细胞学诊断结果构建数据集,经均衡处理后,通过不同数据因子组合与多种机器学习算法选择auc最优模型,用于癌前病变分期诊断。该方案存在的不足在于:模型仍依赖细胞学诊断结果,且最终采用的xgboost等模型属黑箱模型,可解释性差,不便于在基层直接部署与临床追溯。此外,期刊文献《人乳头瘤病毒载量用于子宫颈癌筛查分流中国专家共识》(中国妇产科临床杂志,2026年,第27卷第2期)建议hpv16/18阳性者直接转诊阴道镜,hpv31/33/35/52/58以标准化载量阈值转诊,但该共识为横断面规则,须经拷贝数/10000细胞内参校正,仅覆盖部分型别,不具备纵向动态预测能力,且仅给出转诊或不转诊的二元决策。其他相关技术多采用集成学习或深度学习的黑箱模型,未将型别特异性病毒载量这一关键定量维度与纵向轨迹相结合。

4、因此,如何在仅依托hpv分型定量检测报告数据、免去二次采样且不依赖细胞学结果的条件下,实现对宫颈病变风险的个体化、可解释分层,并给出纵向动态预测与个体化处置建议,是亟待解决的技术问题。

技术实现思路

1、针对上述现有技术存在的不足,本发明所要解决的技术问题是提供一种免于二次采样、覆盖全部hpv基因型且可解释的基于hpv分型、载量与时序检测序列的宫颈癌筛查方法。为解决上述技术问题,本发明所采用的技术方案是:本发明提供一种基于hpv分型、载量与时序检测序列的宫颈癌筛查方法,包括以下步骤:

2、s1:获取受检者当前访视以及至少一次历史纵向访视的hpv分型定量检测数据;所述检测数据至少包括各hpv基因型的感染状态,以及阳性型别的型别特异性病毒载量;

3、s2:对当前访视高危型阳性者,依据基因型与病毒载量执行四层风险分层,得到风险层级;

4、s3:对存在至少两次同型阳性访视者,根据当前访视与最近一次同型阳性访视的病毒载量的对数差值,确定纵向载量轨迹标签;

5、s4:以不包括细胞学结果的特征为输入,通过可解释逻辑回归模型计算宫颈上皮内瘤变2级及以上病变的即时风险概率;所述特征包括各高危型的感染状态、所述病毒载量、年龄、多重感染型别数以及所述纵向载量轨迹标签;

6、s5:基于预先建立的状态转移概率矩阵,预测下次检测的状态变化概率;

7、s6:综合所述风险层级、所述即时风险概率与所述下次检测的状态变化概率,生成个体化处置建议与随访间隔。

8、其中,hpv基因型指人乳头瘤病毒的不同型别,本方案覆盖的21种基因型包括18种高危型(hpv16、18、26、31、33、35、39、45、51、52、53、56、58、59、66、68、73、82)与3种低危型(hpv6、11、81);其中试剂盒标注为“中危型”的hpv53等型别在本方案的风险分层口径中统一归入高危型参与分层与评分。型别特异性病毒载量指单一hpv型别在被检标本中的定量拷贝数,其量纲为试剂盒原生报告的拷贝/毫升。

9、四层风险分层指将当前访视高危型阳性者划分为t1、t2、t3、t4四个风险层级的过程。其中t1层为hpv16或hpv18阳性;t2层为hpv16、hpv18以外的高危型阳性且病毒载量的常用对数值大于或等于分层阈值;t3层为难清除型别阳性且病毒载量的常用对数值小于分层阈值;t4层为其余高危型阳性且病毒载量的常用对数值小于分层阈值。难清除型别指hpv52、58、56、53。当同一标本检出两种及以上阳性高危型时,取各阳性高危型中病毒载量常用对数值最高者参与分层判定,若其中包含hpv16或hpv18则归入t1层。四层风险分层的作用在于依据型别风险与载量高低对高危阳性人群进行分流,使转诊资源集中于高病变率层级。

10、分层阈值以检测报告原生报告的拷贝/毫升为量纲,且由如下方式确定:以仅一种高危型感染且具有细胞学判读的检测记录为分析集,以低级别鳞状上皮内病变及以上病变为金标准,对病毒载量的常用对数值绘制受试者工作特征曲线,以约登指数最大化确定最佳截断值;分层阈值位于10^4.0拷贝/毫升至10^4.5拷贝/毫升之间。一个具体的实施方式中,分层阈值取10^4.25拷贝/毫升。

11、纵向载量轨迹标签指对同一受检者同一型别的先后两次阳性访视,依据病毒载量对数差值确定的动态变化类别,包括上升、稳定和下降。其中当病毒载量的对数差值大于或等于+0.5时标注为上升,当对数差值小于或等于-0.5时标注为下降,当对数差值的绝对值小于0.5时标注为稳定;无历史访视或不存在同型阳性历史访视时标注为无轨迹。纵向载量轨迹标签作为可解释逻辑回归模型的输入特征,用于刻画病毒载量的动态演变趋势。

12、可解释逻辑回归模型指以逻辑回归为估计器、能够输出各输入特征对预测结果贡献权重的风险评分模型。该模型以不包括细胞学结果的特征为输入,输出宫颈上皮内瘤变2级及以上病变(cin2+)的即时风险概率,其训练阶段以细胞学低级别鳞状上皮内病变及以上(lsil+)为代理终点确定标签,部署阶段不将细胞学结果作为输入,从而可在无细胞学条件下独立运行。该模型的作用在于以完全可解释的线性结构捕捉风险模式,便于临床追溯与质控。

13、状态转移概率矩阵指描述相邻两次访视之间状态转移概率的矩阵,用于预测下次检测的状态变化概率。状态包括m0阴性、m1低危阳性、m2高危低载量、m3高危高载量、m4意义不明的非典型鳞状上皮细胞、m5低级别鳞状上皮内病变、m6高级别鳞状上皮内病变。状态转移概率矩阵由纵向随访队列统计得到,并经年龄、型别持续性及载量轨迹调制因子修正。当细胞学结果不可得时,将m4归并入m2,将m5和m6归并入m3,得到由m0至m3构成的归并状态转移概率矩阵。

14、优选的方案中,根据风险层级生成处置建议:t1层输出阴道镜检查及活体组织检查;t2层且即时风险概率大于或等于0.15时输出阴道镜检查或遵医嘱,t2层且即时风险概率小于0.15时输出6至12个月复查;t3层输出6至12个月复查hpv分型;t4层输出12至24个月定期复查;并对50岁及以上的t2层受检者、以及具有高级别鳞状上皮内病变史或既往hpv16或hpv18感染史的受检者上调处置建议级别。

15、优选的方案中,hpv分型定量检测数据中的低危型hpv6、hpv11和hpv81由分型检测检出并报告,但不参与四层风险分层及即时风险概率的计算;当且仅当全部高危型均为阴性且存在低危型阳性时,将本次访视归入低危路由,并输出按常规筛查间隔随访的处置建议。如此,在实现全部21种基因型覆盖的同时,将致癌性型别与非致癌型别在风险模型上分离,避免分层稀释与过度转诊,同时保留低危型检出的临床价值。

16、优选的方案中,s1还包括:采用正则表达式从检测结果文本中解析各hpv型别的感染状态、病毒载量与构成比;将多种异质的细胞学文本描述映射为nilm、asc-us、asc-h、lsil、hsil和agc六类标准标签;并按检测日期对历史纵向访视数据进行对齐,标记同型持续、清除和新发感染。

17、优选的方案中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。

18、优选的方案中,本发明又提供一种基于hpv分型载量与纵向轨迹的宫颈癌筛查系统,包括:数据获取与预处理模块,用于获取受检者当前访视以及至少一次历史纵向访视的hpv分型定量检测数据并执行预处理;风险分层模块,用于依据基因型与病毒载量执行四层风险分层;轨迹提取模块,用于确定纵向载量轨迹标签;风险评分模块,用于通过可解释逻辑回归模型计算宫颈上皮内瘤变2级及以上病变的即时风险概率;转移预测模块,用于基于状态转移概率矩阵预测下次检测的状态变化概率;处置建议生成模块,用于生成个体化处置建议与随访间隔。

19、本发明提供了一种基于hpv分型、载量与时序检测序列的宫颈癌筛查方法,通过上述各步骤之间的配合,与现有方法相比,具有以下有益效果:

20、一是,免于二次采样。本发明直接利用hpv分型报告中原生输出的型别与载量(拷贝/毫升),无需额外采集宫颈脱落细胞行二次细胞学检查,消除了失访风险并降低筛查成本。

21、二是,全部21种基因型覆盖。本发明不限于hpv16/18或共识列举的少数型别,对hpv51、56、59、66、68、73、82等型别同样提供载量分层,补全了现有共识的覆盖空白。

22、三是,载量采用原生量纲。分层阈值直接采用试剂盒原生报告的拷贝/毫升量纲,无需经拷贝数/10000细胞内参校正,基层实验室零改造即可使用。

23、四是,纵向动态预测。本发明将纵向载量轨迹作为动态特征纳入风险模型,并基于状态转移概率矩阵量化预测下次检测的状态变化概率与病变加重概率,进而生成个体化随访间隔建议,现有共识及对比文献均未提供上述量化预测能力。

24、五是,完全可解释。本发明采用可解释逻辑回归模型,能够逐一输出各输入特征对风险评分的贡献权重,便于临床追溯与质控,且不增加额外检测成本。