基于制造技术

基于

【技术实现步骤摘要】
基于WGCNA识别影像组学生物学特征的方法及装置


[0001]本专利技术涉及医学图像处理的
，尤其涉及一种基于
WGCNA
识别影像组学生物学特征的方法，以及基于
WGCNA
识别影像组学生物学特征的装置
。

技术介绍

[0002]2016
版世界卫生组织
(WHO)
中枢神经系统
(CNS)
肿瘤分类首次加入了基因分子特征，极大改善了患者治疗及预后
。
磁共振作为一种非侵入性成像技术，对于肿瘤的术前诊断和预后评估至关重要
。
然而肿瘤的影像特征与基因表达是否有关尚未可知
。
影像组学生物学特征识别存在困难
。

技术实现思路

[0003]为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种基于
WGCNA
识别影像组学生物学特征的方法，其能够更准确地捕捉生物学特征之间的相互作用关系，并提供更可解释的结果，且可以应用于多种类型的疾病中，具有很高的实用性和应用价值
。
[0004]本专利技术的技术方案是：这种基于
WGCNA
识别影像组学生物学特征的方法，其包括以下步骤：（1）获取肿瘤患者的基因表达谱数据
、
影像数据以及临床数据；（2）从影像数据中分割出各患者的肿瘤区域，提取影像组学特征；（3）对磁共振影像特征进行单因素
Cox
（比例风险）分析，选取
P
值小于
0.05
的因素，将其作为影像组学预后标签；（4）使用
R
语言中的
WGCNA
程序包构建加权共表达网络，通过计算基因显著性和模块成员，识别出与影像风险分级最相关的基因模块；（5）使用
Cytoscape
（交互作用分析软件）筛选关键基因，选取得分最高的基因在
Oncomine
（肿瘤基因表达分析）数据库中进行分析，探讨该基因在肿瘤的表达水平，并在
oncolnc
网站（
http://www.oncolnc.org/
）进行生存分析；（6）通过
GO
（基因本体论）和
KEGG
（京都基因和基因组百科全书）分析研究影像组学模块基因的生物学功能
。
[0005]本专利技术通过对获取肿瘤患者的基因表达谱数据和磁共振影像数据，从影像数据中分割出各患者的肿瘤区域，提取影像组学特征，构建影像组学预后标签，然后进一步使用
WGCNA
筛选与影像组学风险等级相关的模块基因，并通过
GO
和
KEGG
分析研究影像组学模块基因的生物学功能，因此能够更准确地捕捉生物学特征之间的相互作用关系，并提供更可解释的结果，且可以应用于多种类型的疾病中，具有很高的实用性和应用价值
。
[0006]还提供了一种基于
WGCNA
识别影像组学生物学特征的装置，其包括：基因及影像数据获取模块，其配置来获取肿瘤患者的基因表达谱数据
、
影像数据以及临床数据；影像组学数据处理模块，其配置来从影像数据中分割出各患者的肿瘤区域，提取
4.0~6.5mm
，翻转角
=80~90
°
；感兴趣区覆盖整个肿瘤及水肿区域，所有影像特征均使用
python 3.7
中的
pyradiomics
插件提取
。
[0013]优选地，所述步骤（2）中，随机选择若干例患者，由两人进行感兴趣区
ROI
分割，计算两个
ROI
的组内相关系数
ICC
；使用高斯和拉普拉斯滤波器
、
小波滤波器对图像进行预处理，两种滤波器所计算的特征均包含一阶统计特征和基于统计的纹理特征
。
[0014]优选地，所述步骤（3）中，对磁共振影像特征进行单因素
Cox
分析，选取
P
值小于
0.05
的因素，将其作为影像组学预后标签；通过对所选特征按照各自的系数加权进行线性组合，计算出每一个患者的风险评分；根据风险评分的中位数，将患者分为高危组或低危组，从而判断风险等级
。
[0015]优选地，所述步骤（4）中，筛选其中方差前
50%
的基因用于构建加权共表达网络，计算各基因间的
Pearson
相关系数，选择适当的软阈值
β
使得构建的网络符合无标度网络的标准
。
[0016]优选地，所述步骤（5）中，设置阈值为
0.85
导出基因互作网络，将该网络导入
Cytoscape
构建子网络，采用
cytohubba
插件中的
MCC
方法筛选出模块网络中的关键基因
。
[0017]优选地，所述步骤（6）中，使用
R
语言中的
clusterProfiler
包关键模块的基因进行
GO
功能富集分析，以明确该模块中的基因所涉及的生物过程
、
分子功能和细胞组分；同时进行
KEGG
通路分析，以便明确这些基因参与到哪些信号通路
。
[0018]优选地，该方法还包括统计分析，使用组内相关系数评估两位放射科医生从若干例患者中提取的影像特征的可重复性，当
ICC
达到
0.8
时将每个特征用于进一步提取；所有统计结果均为双尾，
P
值小于
0.05
认为具有显著统计学差异
。
[0019]本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：
ROM/RAM、
磁碟
、
光盘
、
存储卡等
。
因此，与本专利技术的方法相对应的，本专利技术还同时包括一种基于
WGCNA
识别影像组学生物学特征的装置，该装置通常以与方法各步骤相对应的功能模块的形式表示
。
该装置包括：基因及影像数据获取模块，其配置来获取肿瘤患者的基因表达谱数据
、
影像数据以及临床数据；影像组学数据处理模块，其配置来从影像数据中分割出各患者的肿瘤区域，提取影像组学特征；构建影像组学预后标签模块，其配置来对磁共振影像特征进行单因素
Cox
分析，选取
P
值小于
0.05
的因素，将其作为影像组学预后标签；构建加权共表达网络模块，其配置来使用
R
语言中的...

【技术保护点】

【技术特征摘要】
1.
基于
WGCNA
识别影像组学生物学特征的方法，其特征在于：其包括以下步骤：（1）获取肿瘤患者的基因表达谱数据
、
影像数据以及临床数据；（2）从影像数据中分割出各患者的肿瘤区域，提取影像组学特征；（3）对磁共振影像特征进行单因素
Cox
分析，选取
P
值小于
0.05
的因素，将其作为影像组学预后标签；（4）使用
R
语言中的
WGCNA
程序包构建加权共表达网络，通过计算基因显著性和模块成员，识别出与影像风险分级最相关的基因模块；（5）使用
Cytoscape
筛选关键基因，选取得分最高的基因在
Oncomine
数据库中进行分析，探讨该基因在肿瘤的表达水平，并在
oncolnc
网站进行生存分析；（6）通过
GO
和
KEGG
分析研究影像组学模块基因的生物学功能
。2.
根据权利要求1所述的基于
WGCNA
识别影像组学生物学特征的方法，其特征在于：所述步骤（1）中，肿瘤样本具有转录组数据和磁共振影像数据
。3.
根据权利要求2所述的基于
WGCNA
识别影像组学生物学特征的方法，其特征在于：所述步骤（2）中，使用
ITK
‑
SNAP
软件对患者的
FLAIR
图像进行肿瘤三维分割；
FLAIR
扫描参数如下：层厚
=4.0~5.5mm
，
FLAIR TR/TE=9000~12500/140~157ms
，层间距
= 4.0~6.5mm
，翻转角
=80~90
°
；感兴趣区覆盖整个肿瘤及水肿区域，所有影像特征均使用
python 3.7
中的
pyradiomics
插件提取
。4.
根据权利要求2所述的基于
WGCNA
识别影像组学生物学特征的方法，其特征在于：所述步骤（2）中，随机选择若干例患者，由两人进行感兴趣区
ROI
分割，计算两个
ROI
的组内相关系数
ICC
；使用高斯和拉普拉斯滤波器
、
小波滤波器对图像进行预处理，两种滤波器所计算的特征均包含一阶统计特征和基于统计的纹理特征
。5.
根据权利要求4所述的基于
WGCNA
识别影像组学生物学特征的方法，其特征在于：所述步骤（3）中，对磁共振影像特征进行单因素
Cox
分析，选取
P
值小于
0.05
的因素，将其作为影像组学预后标签；通过对所选特征按照各自的系数加权进行线性组合，计算出每一个患者的风险评分；根据风险评分的中位数，将患者分为高危组或低危组，从而判断风险等级
...

【专利技术属性】
技术研发人员：马国林，栾继昕，原宁，李俊峰，吕宽，胡翩翩，
申请(专利权)人：中日友好医院中日友好临床医学研究所，
类型：发明
国别省市：