[發明專利]一種基于增強MRI影像組學的鼻咽癌預后輔助評估方法

有效

• 申請號: 202010545739.6
• 申請日: 2020-06-16
• 公開（公告）號: CN111657945B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 劉勇;盧善翃;毛弈韜;譚磊;李果;高妍;邱元正;黃東海;張欣
• 申請（專利權）人: 中南大學湘雅醫院
• 主分類號: A61B5/055
• 分類號: A61B5/055;A61B5/00
• 代理公司: 長沙星耀專利事務所(普通合伙) 43205
• 代理人: 寧星耀;趙靜華

1.一種基于增強MRI影像組學的鼻咽癌預后輔助評估方法，其特征在于，包括以下步驟：

（1）、MRI影像處理：對鼻咽癌患者的鼻咽部增強MRI序列進行腫瘤區域勾畫；

（2）、提取影像學特征：每位鼻咽癌患者共提取一定數量的影像學特征；

（3）、影像特征的篩選：利用拉索回歸算法，篩選出與鼻咽癌患者無進展生存期最相關的多個影像組學特征；

（4）、影像組學評分計算公式的建立：根據相關特征及其對應系數，獲得每個鼻咽癌患者的鼻咽癌影像組學評分；

（5）、臨床危險因素的篩選：利用COX回歸分析對與鼻咽癌患者預后密切相關的臨床病理因素進行篩選；

（6）、預后生存模型的建立：結合鼻咽癌患者影像組學評分和臨床危險因素建立預后觀測模型，對患者PFS進行定性和定量預測，并評估該預后生存模型的性能；

步驟（5）中所述COX回歸分析包括單因素COX回歸分析和多因素COX回歸分析，所述單因素COX回歸分析顯示年齡、臨床分期、M分期和組織分型與晚期鼻咽癌患者的PFS有關，P＜0.05，多因素COX回歸分析顯示年齡、M分期和組織分型為PFS的獨立危險因素，P＜0.05，基于臨床特征年齡和M分期的COX比例風險模型的C-index為0.65，所述步驟（6）中，結合患者影像組學評分和臨床危險因素還建立有預測諾莫圖；預后觀測模型和預測諾莫圖均在驗證集中進行應用價值驗證；所述預后觀測模型包括影像組學評分、年齡和M分期，使用建立的模型對患者進行評分，并根據諾莫圖對患者的1-5年PFS進行評估。

2.根據權利要求1所述的一種基于增強MRI影像組學的鼻咽癌預后輔助評估方法，其特征在于，所述步驟（1）包括：1）、收集III-IV期鼻咽癌患者的臨床、病理特征和隨訪資料；2）、獲取上述患者的鼻咽部MRI圖像，并將患者按照3:1的比例隨機分為訓練集和驗證集；3）、利用軟件程序包Radiomics對增強MRI圖像進行整理和靶區分割。

3.根據權利要求2所述的一種基于增強MRI影像組學的鼻咽癌預后輔助評估方法，其特征在于，所述臨床、病理特征具體包括年齡、性別、病理類型、TMN分期、初治前Hb和WBC平均水平，隨訪資料包括患者無進展生存時間和總生存時間。

4.根據權利要求1所述的一種基于增強MRI影像組學的鼻咽癌預后輔助評估方法，其特征在于，步驟（2）中所述影像學特征通過基于python平臺的程序包Pyradiomics提取；所述影像學特征包括：一階灰度特征、形狀特征、紋理特征和小波變換特征。

5.根據權利要求4所述的一種基于增強MRI影像組學的鼻咽癌預后輔助評估方法，其特征在于，所述影像學特征為530個，包括一階灰度特征18個，形狀特征8個，紋理特征40個，小波變換后特征464個；所述影像組學特征為24個。

6.根據權利要求1所述的一種基于增強MRI影像組學的鼻咽癌預后輔助評估方法，其特征在于，步驟（4）中，所述相關特征為最少絕對收縮和選擇運算符確定與鼻咽癌患者無進展生存時間密切相關的影像學特征。

7.根據權利要求1所述的一種基于增強MRI影像組學的鼻咽癌預后輔助評估方法，其特征在于，步驟（4）中的所述影像組學評分計算公式為NPC?Rad-score=3.489×?(original_glcm_InverseVariance)?0.243×(original_glrlm_LongRunLowGrayLevelEmphasis)+0.235×(wavelet_HLL_firstorder_Skewness)+5.966×(wavelet_HLL_glcm_Idmn)?3.646×(wavelet_HLL_glcm_Imc1)?2.882×(wavelet_LHL_glrlm_LongRunLowGrayLevelEmphasis)+1.714×(wavelet_LHH_firstorder_TotalEnergy)?5.983×(wavelet_LHH_glcm_JointEnergy)?2.532×(wavelet_LHH_glcm_Idn)+9.555×(wavelet_LHH_glcm_Imc1)+0.119×(wavelet_LLH_firstorder_Skewness)?0.399×(wavelet_LLH_glcm_Imc2)+0.008×(wavelet_HLH_firstorder_Kurtosis)+3.344×(wavelet_HHH_firstorder_Median)+1.328×(wavelet_HHH_firstorder_TotalEnergy)?0.001×(wavelet_HHH_firstorder_Kurtosis)+0.350×(wavelet_HHH_glcm_DifferenceVariance)?6.574×(wavelet_HHH_glcm_Idn)+0.002×(wavelet_HHH_glcm_ClusterProminence)+0.198×(wavelet_HHH_glrlm_LongRunLowGrayLevelEmphasis)?12.266×(wavelet_HHL_glcm_InverseVariance)?6.153×(wavelet_HHL_glcm_Imc1)?1.731×(wavelet_LLL_glcm_MCC)-1.944×(wavelet_LLL_glcm_Imc2)。