肿瘤局部控制预测模型的构建方法、预测方法及电子设备技术

本发明专利技术公开肿瘤局部控制预测模型的构建方法、预测方法及电子设备。模型构建方法，包括：获取立体定向放疗的肺癌患者治疗前的筛选临床因素的数据、治疗前的筛选剂量学因素的数据、治疗前的医学影像图、以及治疗后的肿瘤状态；基于医学影像图，得到关于该医学影像图的影像组学评分；以筛选临床因素的数据、筛选剂量学因素的数据、以及影像组学评分作为综合模型的输入，治疗后的肿瘤状态作为综合模型的输出，对综合模型进行训练，得到综合模型。本发明专利技术综合考虑肿瘤全部特征，纳入影像组学特征、临床因素和剂量学因素建立预测原发性和转移性肺癌患者SBRT治疗后1年的局部控制模型，大大提高了肺癌患者SBRT治疗后1年的局部控制预测准确率。准确率。准确率。

【技术实现步骤摘要】
肿瘤局部控制预测模型的构建方法、预测方法及电子设备


[0001]本专利技术涉及医学数据处理相关
，特别是一种肿瘤局部控制预测模型的构建方法、预测方法及电子设备。

技术介绍

[0002]随着放疗技术的进步，立体定向放疗(SBRT)在因各种内科合并症而无法耐受手术治疗和不愿意手术治疗的早期原发性肺癌患者中得到了进一步的运用，并且可以用于晚期原发性肺癌或者转移性肺癌的根治性或者新辅助或者辅助性治疗。这种精确的方式使用高剂量消融肿瘤和低剂量保护周围组织。肺癌患者经过SBRT后肿瘤局部控制率可观，正常组织的毒性小，但是也有部分患者肿瘤局部控制不佳。计算机断层扫描(CT)、18F
‑
氟脱氧葡萄糖/正电子发射断层扫描(PET
‑
CT)或活检是检测肿瘤复发的重要诊断工具，但是不能提前预测肿瘤局部状态或不能获得整个肿瘤的信息。最大标准化摄取值(SUVmax)可以用于预测SBRT后的局部复发，但是其预后价值尚不确定。另外的现有技术以影响肿瘤局部控制的临床和剂量学因素建立肿瘤局部控制率模型来计算肺癌患者SBRT后局部控制的可能性。然而，由于这些模型没有综合考虑反应肿瘤异质性的特征，所以导致局部控制率模型的预测效果结果差异较大，而且与临床数据中的局部控制率不具有统一性，难以辨别各个模型在肺癌的立体定向放疗中的适用性。

技术实现思路

[0003]基于此，有必要针对现有技术对于立体定向放疗的肺癌患者治疗后的肿瘤局部控制预测不准确的技术问题，提供一种肿瘤局部控制预测模型的构建方法、预测方法及电子设备。
[0004]本专利技术提供一种肿瘤局部控制预测模型的构建方法，包括：
[0005]获取立体定向放疗的肺癌患者治疗前的筛选临床因素的数据、治疗前的筛选剂量学因素的数据、治疗前的医学影像图、以及治疗后的肿瘤状态，所述肿瘤状态包括局部控制或局部失败，所述筛选临床因素从多个临床因素中筛选得到，所述筛选剂量学因素从多个剂量学因素中筛选得到；
[0006]基于所述医学影像图，得到关于该医学影像图的影像组学评分；
[0007]以所述筛选临床因素的数据、筛选剂量学因素的数据、以及所述影像组学评分作为综合模型的输入，治疗后的肿瘤状态作为所述综合模型的输出，对所述综合模型进行训练，得到用于预测立体定向放疗的肺癌患者治疗后的肿瘤局部控制概率的综合模型。
[0008]进一步地，还包括：
[0009]获取立体定向放疗的肺癌患者治疗前的医学影像图、以及治疗后的肿瘤状态，所述肿瘤状态包括局部控制或局部失败；
[0010]从所述医学影像图中提取多个筛选影像组学特征的数据，所述筛选影像组学特征从多个影像学特征中筛选得到，且所述筛选影像学特征的组间相关系数大于等于预设影像
相关系数阈值；
[0011]所述影像组学模型为偏置值与多个筛选影像组学特征的数据的加权值之和，以所述筛选影像组学特征的数据作为影像组学模型的输入，治疗后的肿瘤状态作为所述影像组学模型的输出，对所述影像组学模型采用对数几率回归进行训练；
[0012]训练后，得到所述影像组学模型的偏置值以及每一所述影像学特征的权重；
[0013]所述基于所述医学影像图，得到关于该医学影像图的影像组学评分，具体包括：
[0014]从所述医学影像图中提取多个筛选影像组学特征的数据；
[0015]基于每个所述筛选影像组学特征的权重，计算该医学影像图的影像组学评分为多个所述筛选影像组学特征的数据的加权值和偏置值之和，所述偏置值和每个所述筛选影像组学特征的权重从预先训练的影像组学模型中获取。
[0016]更进一步地，还包括：
[0017]获取每一医学影像图的多个兴趣区域勾画图，每一医学影像图的多个兴趣区域勾画图为不同医生在同一医学影像图中勾画的感兴趣区域，将由同一医生勾画的兴趣区域勾画图作为一组图像组，计算每一影像组学特征在多组图像组之间的组间相关系数，将组间相关系数大于等于预设影像相关系数阈值作为第一影像学特征；
[0018]对符合正态分布和方差齐性检验的第一影像学特征进行独立样本t检验，对其余第一影像学特征进行秩和检验，保留差异性指标为显著性差异的第一影像学特征作为第二影像学特征；
[0019]执行最小绝对收缩和选择算法对第二影像学特征进行降维和选择，得到第三影像学特征；
[0020]利用逐步回归算法从第三影像学特征中剔除引起多重共线性的第三影像学特征，得到筛选影像组学特征。
[0021]更进一步地，所述筛选影像组学特征包括：低低低小波系数转换
‑
灰度区域大小矩阵
‑
短欲补偿特征、低高高小波系数转换
‑
灰度共生矩阵
‑
联合均值特征、低高高小波系数转换
‑
邻域灰度差矩阵特征
‑
复杂度特征、平方根
‑
灰度共生矩阵
‑
差值熵特征。
[0022]进一步地，还包括：
[0023]获取患者的多个临床因素的数据和多个剂量学因素的数据；
[0024]对每个临床因素的数据和每个剂量学因素的数据分别进行对数几率回归单因素分析；
[0025]将单因素分析中差异性指标为显著性差异的临床因素的和剂量学因素的进行多因素对数几率回归分析，通过逐步回归筛选算法，对临床因素和剂量学因素进行筛选，得到筛选临床因素和筛选剂量学因素。
[0026]进一步地，所述筛选临床因素数据为临床分期数据、血小板数据，所述筛选剂量学因素数据为肿瘤总体积内最小剂量。
[0027]再进一步地，所述对所述综合模型进行训练，具体包括：
[0028]对所述综合模型采用对数几率回归算法进行训练。
[0029]本专利技术提供一种电子设备，包括：
[0030]至少一个处理器；以及，
[0031]与至少一个所述处理器通信连接的存储器；其中，
[0032]所述存储器存储有可被至少一个所述处理器执行的指令，所述指令被至少一个所述处理器执行，以使至少一个所述处理器能够执行如前所述的肿瘤局部控制预测模型的构建方法。
[0033]本专利技术提供一种肺癌患者治疗后肿瘤局部控制预测方法，采用如前所述的肿瘤局部控制预测模型的构建方法构建综合模型，所述方法包括：
[0034]获取立体定向放疗的待预测肺癌患者治疗前的筛选临床因素的数据、筛选剂量学因素的数据、以及治疗前的医学影像图；
[0035]基于所述医学影像图，得到关于该医学影像图的影像组学评分；
[0036]将待预测肺癌患者治疗前的筛选临床因素的数据、筛选剂量学因素的数据、以及治疗前的医学影像图的影像组学评分输入所述综合模型，得到待预测肺癌患者的治疗后肿瘤状态，所述肿瘤状态包括局部控制或局部失败。
[0037]本专利技术提供一种电子设备，包括：
[0038]至少一个处理器；以及，
[0039]与至少一个所述处理器通信连接的存储器；其中，<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肿瘤局部控制预测模型的构建方法，其特征在于，包括：获取立体定向放疗的肺癌患者治疗前的筛选临床因素的数据、治疗前的筛选剂量学因素的数据、治疗前的医学影像图、以及治疗后的肿瘤状态，所述肿瘤状态包括局部控制或局部失败，所述筛选临床因素从多个临床因素中筛选得到，所述筛选剂量学因素从多个剂量学因素中筛选得到；基于所述医学影像图，得到关于该医学影像图的影像组学评分；以所述筛选临床因素的数据、筛选剂量学因素的数据、以及所述影像组学评分作为综合模型的输入，治疗后的肿瘤状态作为所述综合模型的输出，对所述综合模型进行训练，得到用于预测立体定向放疗的肺癌患者治疗后的肿瘤局部控制概率的综合模型。2.根据权利要求1所述的肿瘤局部控制预测模型的构建方法，其特征在于，还包括：获取立体定向放疗的肺癌患者治疗前的医学影像图、以及治疗后的肿瘤状态，所述肿瘤状态包括局部控制或局部失败；从所述医学影像图中提取多个筛选影像组学特征的数据，所述筛选影像组学特征从多个影像学特征中筛选得到，且所述筛选影像学特征的组间相关系数大于等于预设影像相关系数阈值；所述影像组学模型为偏置值与多个筛选影像组学特征的数据的加权值之和，以所述筛选影像组学特征的数据作为影像组学模型的输入，治疗后的肿瘤状态作为所述影像组学模型的输出，对所述影像组学模型采用对数几率回归进行训练；训练后，得到所述影像组学模型的偏置值以及每一所述影像学特征的权重；所述基于所述医学影像图，得到关于该医学影像图的影像组学评分，具体包括：从所述医学影像图中提取多个筛选影像组学特征的数据；基于每个所述筛选影像组学特征的权重，计算该医学影像图的影像组学评分为多个所述筛选影像组学特征的数据的加权值和偏置值之和，所述偏置值和每个所述筛选影像组学特征的权重从预先训练的影像组学模型中获取。3.根据权利要求2所述的肿瘤局部控制预测模型的构建方法，其特征在于，还包括：获取每一医学影像图的多个兴趣区域勾画图，每一医学影像图的多个兴趣区域勾画图为不同医生在同一医学影像图中勾画的感兴趣区域，将由同一医生勾画的兴趣区域勾画图作为一组图像组，计算每一影像组学特征在多组图像组之间的组间相关系数，将组间相关系数大于等于预设影像相关系数阈值作为第一影像学特征；对符合正态分布和方差齐性检验的第一影像学特征进行独立样本t检验，对其余第一影像学特征进行秩和检验，保留差异性指标为显著性差异的第一影像学特征作为第二影像学特征；执行最小绝对收缩和选择算法对第二影像学特征进行降维和选择，得到第三影像学特征；利用逐步回归算法从第三影像学特征中剔除引起多重共线性的第三影像学特征，得到筛选影像组学特征。4.根据权利要求2所述的肿瘤局部控制预测...

【专利技术属性】
技术研发人员：黄宝添，罗利梅，
申请(专利权)人：汕头大学医学院附属肿瘤医院，
类型：发明
国别省市：