[发明专利]一种基于CT影像组学的肺癌预后辅助评估方法及系统

权利要求书

1.一种基于CT影像组学的肺癌预后辅助评估方法，其特征在于：包括：

S101、采集使用放射治疗的肺癌患者的原始医学影像和临床信息并进行筛选；

S102、把肺癌患者按比例随机分为训练集和验证集，所述训练集用于训练预测模型，所述测试集用于验证预测模型的性能；

S103、通过高分辨的计算机断层扫描勾勒出原始医学影像的病灶区域，并从病灶区域中提取影像组学特征，得到初步影像组学特征；

S104、对初步影像组学特征进行分析筛选，得到目标影像组学特征；

S105、对训练集中的目标影像组学特征运用机器学习的算法训练预测模型，构建影像组学评估模型，并在验证集中验证模型；

S106、确立采用放疗有效的影像组学特征标签，并在验证集中进行验证；

S107、在预测模型的基础上计算每个患者的影像组学特征评分；

S108、将患者的影像组学特征评分转化为患者放射治疗敏感性的概率。

2.根据权利要求1所述的一种基于CT影像组学的肺癌预后辅助评估方法，其特征在于：所述根据高分辨的计算机断层扫描勾勒的病灶区域提取病灶轮廓,并从病灶轮廓中提取影像组学特征，得到初步影像组学特征，所述影像组学特征包括一阶特征18个，形状特征14个，灰度共生矩阵特征24个，灰度相关矩阵特征14个，灰度游程矩阵特征16个，灰度区域大小矩阵特征16个，相邻灰度差分矩阵特征5个，共计107个特征。

3.根据权利要求1所述的一种基于CT影像组学的肺癌预后辅助评估方法，其特征在于：所述对初步影像组学特征进行分析筛选，得到目标影像组学特征，具体包括：

S31、设定方差特征值，排除小于设定的方差阈值的特征；

S32、使用单变量特征选择方法中的ANOVA(方差分析)算法，得到数据集中成像表型和治疗反应之间的关系，评估特征在治疗反应不同组间的差异，剔除训练组和验证组中显著性差异程度值@P值超过0.05的特征；

S33、采用适合高维数据回归运算的最小绝对值收敛和选择算子回归模型(LASSO)方法，从原始数据集中选取有效的预测特征，采用10倍交叉验证法计算最小均方误差，根据最小均方误差得到了选择算子回归模型的最佳惩罚参数；

S34、筛选出系数不为零的特征集。

4.根据权利要求1所述的一种基于CT影像组学的肺癌预后辅助评估方法，其特征在于：所述采集使用放射治疗的肺癌患者的原始医学影像和临床信息并进行筛选，具体包括：

排除患有其他癌症的患者；

排除接受过手治疗或放化疗但未完成完整治疗方案的患者；

排除将缺乏高分辨率计算机断层扫描图像的患者。

5.根据权利要求1所述的一种基于CT影像组学的肺癌预后辅助评估方法，其特征在于：所述临床信息具体包括但不限于：年龄、性别、基础病、病理类型、TMN分期、初治前Hb、WBC平均水平、呼吸困难、咳嗽、咳痰和发热症状。

6.一种基于CT影像组学的肺癌预后辅助评估系统，其特征在于：包括：

预处理模块：采集使用放射治疗的肺癌患者的原始医学影像和临床信息并进行筛选；

分类模块：把肺癌患者按比例随机分为训练集和验证集，所述训练集用于训练预测模型，所述测试集用于验证预测模型的性能；

提取模块：通过高分辨的计算机断层扫描勾勒出原始医学影像的病灶区域,并从病灶区域中提取影像组学特征，得到初步影像组学特征；

筛选模块：对初步影像组学特征进行分析筛选，得到目标影像组学特征；

预测模块：对训练集中的目标影像组学特征运用机器学习的算法训练预测模型，构建影像组学评估模型，并在验证集中验证模型；

验证模块：确立采用放疗有效的影像组学特征标签，并在验证集中进行验证；

评分模块：在预测模型的基础上计算每个患者的影像组学特征评分；

换算模块：将患者的影像组学特征评分转化为患者放射治疗敏感性的概率。