[发明专利]一种肿瘤个体化诊疗方案推荐方法

权利要求书

1.一种肿瘤个体化诊疗方案推荐方法，其特征在于，包括以下步骤：

S1、信息采集：将图像数据库中的CT、MRI、PETCT影像数据根据登记号进行归类整理，一一对应治疗中及治疗后的临床数据、生存数据、治疗方案、效果评价；

S2、图像提取：提取标记好肿瘤组织或者正常组织的影像数据的图像参数；利用自动勾画系统对未勾画的影像数据则进行正常组织和肿瘤组织的勾画，然后通过图像组学软件提取影像数据的图像参数；

S3、建立模型：采用传统机器学习方法和深度学习方法建立基于疗效的预测模型；

S4、模型评价：应用测试数据对S3建立的预测模型进行模型评价，评价指标包括：准确度、精确度、F值、阳性预测率、阴性预测率、ROC曲线下面积、Delong检测，通过这些指标评估模型的效能，以及给出模型在训练集及测试集上的评价，选择评价最优的预测模型；

S5、验证结果：采用内部临床数据验证和外部临床数据验证相结合的方法对S4选择的预测模型进行验证分析，并不断反复模型调整及优化，获得效果最优的预测模型；

S6、输出推荐方案：输入待推荐的影像数据，通过步骤S5所得的预测模型，找到与既往类似患者的共性特征，进行肿瘤细胞的生物学倾向预测，推荐效果最佳的治疗方案。

2.根据权利要求1所述的一种肿瘤个体化诊疗方案推荐方法，其特征在于，S1所述临床数据包括放疗疗效，药物疗效，正常组织、器官副反应发生率及程度，复发时间，转移部位及时间，生存时间。

3.根据权利要求1所述的一种肿瘤个体化诊疗方案推荐方法，其特征在于，S3所述传统机器学习方法是线性回归算法、支持向量机算法、最近邻居/k-近邻算法、逻辑回归算法、决策树算法、k-平均算法、随机森林算法、朴素贝叶斯算法、降维算法、梯度增强算法中选择一种或几种进行机器学习，需先进行图像组学参数的降维，通过堆栈编码器、最小绝对收缩和选择算子回归模型的方法对影像组学特征进行降维处理。

4.根据权利要求1所述的一种肿瘤个体化诊疗方案推荐方法，其特征在于，S2所述深度学习方法采用卷积神经网络、循环神经网络、生成对抗网络、图神经网络学习方法中的一种或几种。

5.根据权利要求4所述的一种肿瘤个体化诊疗方案推荐方法，其特征在于，所述深度学习方法采用卷积神经网络学习方法，具体步骤如下：

a、采用现有研究整合图像组学参数、临床参数及实验室检查参数数据，选取训练样本做为卷积神经网络CNN输入端数据；

b、利用卷积神经网络CNN的卷积层进行输入端数据逐层自动化的非结构化数据特征抽取，池化层进行降维处理；

c、联接全连接层进行人工神经网络分类模型的构建。

6.根据权利要求1所述的一种肿瘤个体化诊疗方案推荐方法，其特征在于，S5所述内部临床数据验证是使用S1所述临床数据随机数生成来选择80%的数据样本作为“训练”群体用于模型构建，保留20％的病例作为“测试集”群体用于验证。

7.根据权利要求1所述的一种肿瘤个体化诊疗方案推荐方法，其特征在于，S5所述外部临床数据验证是采用第三方医疗机构或公共数据库数据外部独立验证数据集进行验证分析。

8.根据权利要求1所述的一种肿瘤个体化诊疗方案推荐方法，其特征在于，所述肿瘤细胞的生物学倾向预测包括化疗治疗、放射治疗、靶向治疗、免疫治疗的疗效及敏感性。