[发明专利]基于影像组学的肝癌肝外转移预测模型、其构建方法及应用

权利要求书

1.基于影像组学的肝癌肝外转移预测模型的构建方法，其特征在于，包括如下步骤：

采集经肝切除术治疗的肝癌患者的原始医学影像和临床信息；

将肝癌患者按比例随机分为训练集和验证集；

从所述原始医学影像上提取影像组学特征，得到初步影像组学特征；

采用LASSO回归模型对训练集中的初步影像组学特征进行降维和分析筛选，得到第一目标影像组学特征，并利用所述第一目标影像组学特征构建多种分类器模型、计算影像学评分；

使用SMOTE算法对所述第一目标影像组学特征进行少数过采样处理，得到扩增后的影像组学特征数据；

采用LASSO回归模型和RFC-RFE算法对所述扩增后的影像组学特征数据进行降维和分析筛选，得到第二目标影像组学特征，并利用所述第二目标影像组学特征构建多种分类器模型；

对基于第一目标影像组学特征和第二目标影像组学特征构建的分类器模型进行评估，筛选最佳分类器模型，即得到肝癌肝外转移预测模型。

2.根据权利要求1所述的基于影像组学的肝癌肝外转移预测模型的构建方法，其特征在于，所述影像组学特征包括但不限于一阶统计学特征、形态学特征、灰度共生矩阵特征、灰度游程特征、灰度区域大小矩阵特征、灰度依赖矩阵特征、小波变化特征、拉普拉斯变化特征以及邻域灰度差别矩阵特征。

3.根据权利要求2所述的基于影像组学的肝癌肝外转移预测模型的构建方法，其特征在于，所述第一目标影像组学特征包括：一阶统计学特征1个、灰度共生矩阵特征3个、灰度游程特征2个、灰度区域大小矩阵特征4个、灰度依赖矩阵特征1个，共计11个特征；

所述第二目标影像组学特征包括：灰度共生矩阵特征5个、灰度区域大小矩阵特征1个、灰度游程特征4个、灰度依赖矩阵特征4个、邻域灰度差别矩阵特征1个，共计15个特征。

4.根据权利要求1所述的基于影像组学的肝癌肝外转移预测模型的构建方法，其特征在于，所述多种分类器模型包括：逻辑回归模型、支持向量机模型、随机森林模型、决策树模型和朴素贝叶斯模型。

5.根据权利要求1所述的基于影像组学的肝癌肝外转移预测模型的构建方法，其特征在于，所述影像学评分根据以下公式计算得到：

式中：A为筛选出的影像组学特征所对应的数值，β为筛选出的影像组学特征所对应的回归系数。

6.根据权利要求1所述的基于影像组学的肝癌肝外转移预测模型的构建方法，其特征在于，所述对基于第一目标影像组学特征和第二目标影像组学特征构建的分类器模型进行评估，包括以下步骤：

从所述第一目标影像组学特征和第二目标影像组学特征中筛选最重要的影像组学特征；

利用AUC和ACC分别对基于第一目标影像组学特征和第二目标影像组学特征构建的分类器模型进行性能评估，并在验证集中进行验证，从而筛选出最佳分类器模型。

7.根据权利要求1所述的基于影像组学的肝癌肝外转移预测模型的构建方法，其特征在于，所述构建方法还包括临床模型构建步骤和联合模型构建步骤，具体包括：

采用单因素分析确定肝癌肝外转移患者的临床特征对预后的影响，筛选出p0.05的临床特征作为临床因素，基于所述最佳分类器模型结合临床因素建立临床模型，利用所述临床因素结合影像学评分，建立联合模型；

采用ROC曲线下面积AUC和ACC评估所述肝癌肝外转移预测模型、临床模型和联合模型的预测性能,并以列线图展示训练集模型的结果。

8.根据权利要求7所述的基于影像组学的肝癌肝外转移预测模型的构建方法，其特征在于，所述临床因素包括微血管浸润、瘤径、体重指数、中性粒细胞计数和t分期。

9.一种基于影像组学的肝癌肝外转移预测模型，其特征在于，利用权利要求1-9中任意一项所述的肝癌肝外转移预测模型的构建方法构建得到。

10.一种如权利要求9所述的基于影像组学的肝癌肝外转移预测模型在肝癌肝外转移预测中的应用。