[發(fā)明專(zhuān)利]一種基于機(jī)器學(xué)習(xí)算法的用于預(yù)測(cè)CRC轉(zhuǎn)移的影像組學(xué)（RA）模型

在審

• 申請(qǐng)?zhí)枺?/td>: 202011093666.8
• 申請(qǐng)日: 2020-10-14
• 公開(kāi)（公告）號(hào): CN112330596A
• 公開(kāi)（公告）日: 2021-02-05
• 發(fā)明（設(shè)計(jì)）人: 曾凡新;蔡建強(qiáng);李雪;吳敏;劉杰;宋俐
• 申請(qǐng)（專(zhuān)利權(quán)）人: 達(dá)州市中心醫(yī)院
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06Q10/04;G06N3/12;G16H50/30;G16H50/70
• 代理公司: 北京盛凡智榮知識(shí)產(chǎn)權(quán)代理有限公司 11616
• 代理人: 李青

1.一種基于機(jī)器學(xué)習(xí)算法的用于預(yù)測(cè)CRC轉(zhuǎn)移的影像組學(xué)(RA)模型，其特征在于，所述模型的計(jì)算公式如下：

RA core＝7.069e-01+3.723*wavelet_HHH_glszm_LowGrayLevelZoneEmphasis+2.593e-01*original_firstorder_Median-2.759e-01*wavelet_HHH_glszm_GrayLevelNonUniformityNormalized-5.711e-01*original_firstorder_90Percentile-1.971e+00*wavelet_HHH_glszm_SizeZoneNonUniformityNormalized+1.169*wavelet_HHH_glszm_GrayLevelVariance+3.480e-01*original_firstorder_10Percentile-5.645e-03*wavelet_HHH_glszm_SizeZoneNonUniformity+8.628e-01*original_firstorder_InterquartileRange+1.758e-02*wavelet_HHH_glszm_GrayLevelNonUniformity-6.953e-01*wavelet_HHH_glszm_HighGrayLevelZoneEmphasis+1.312e-01*wavelet_HHH_glszm_ZoneEntropy-5.987e+05*diagnostics_Mask_corrected_Maximumoriginal_firstorder_Range+5.987e+05*diagnostics_Mask_corrected_Minimum-9.221e-06*wavelet_LLL_glszm_LargeAreaLowGraylevelEmphasis+3.474e05*wavelet_LLH_glszm_LargeAreaLowGraylevelEmphasis-4.341e+01*wavelet_HHH_ngtdm_Contrast+1.969e-01*wavelet_LLL_firstorder_Skewness；

上述的計(jì)算結(jié)果RA score＞-3.035時(shí)，即表示患者的CRC腫瘤轉(zhuǎn)移的風(fēng)險(xiǎn)比較高。

2.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)算法的用于預(yù)測(cè)CRC轉(zhuǎn)移的影像組學(xué)(RA)模型，其特征在于，上述的影像組學(xué)模型包含有19個(gè)影像特征。

3.一種基于機(jī)器學(xué)習(xí)算法用于預(yù)測(cè)CRC轉(zhuǎn)移的影像組學(xué)(RA)模型的建立方法，其特征在于，權(quán)利要求1或權(quán)利要求2的影像組模型的建立的步驟如下：

(1)收集整理CRC患者的信息，建立DZCH 1訓(xùn)練隊(duì)列和DZCH 2獨(dú)立驗(yàn)證隊(duì)列信息數(shù)據(jù)庫(kù)；

(2)收集DZCH 1隊(duì)列的病患的CT掃描圖像信息，并對(duì)圖像進(jìn)行分割和圖像特征提取；收集DZCH 1隊(duì)列患者的腫瘤組織，并對(duì)其進(jìn)行轉(zhuǎn)錄組測(cè)序與分析；

(3)采用遺傳算法(GAs)篩選出50個(gè)影像組及轉(zhuǎn)錄組學(xué)特征，采用其中的15個(gè)Top基因和4個(gè)影像組特征來(lái)構(gòu)建能夠預(yù)測(cè)CRC患者轉(zhuǎn)移的影像轉(zhuǎn)錄組(RT)模型，并利用DZCH 2獨(dú)立驗(yàn)證隊(duì)列來(lái)驗(yàn)證影像轉(zhuǎn)錄組(RT)模型的性能；

(4)從TCGA數(shù)據(jù)庫(kù)中下載CRC患者的轉(zhuǎn)錄組數(shù)據(jù)，利用其驗(yàn)證步驟(2)所建立的RT模型中的基因，篩選出IL26基因作為預(yù)測(cè)CRC轉(zhuǎn)移的生物標(biāo)志物；

(5)收集整理CRC患者的信息，建立DZCH 3隊(duì)列，基于IL26基因生物功能分析，利用DZCH3隊(duì)列構(gòu)建IL26與影像組學(xué)的生物學(xué)聯(lián)系；然后利用逐步回歸分析的方法，篩選出與IL26表達(dá)密切相關(guān)15個(gè)影像組學(xué)特征；

(6)將步驟(3)篩選出的4個(gè)影像組學(xué)特征與步驟(5)篩選出的15個(gè)影像組學(xué)進(jìn)行結(jié)合，構(gòu)建包含有19個(gè)影像特征的能夠?qū)RC轉(zhuǎn)移進(jìn)行預(yù)測(cè)的模型。

4.根據(jù)權(quán)利要求3所述的一種基于機(jī)器學(xué)習(xí)算法的用于預(yù)測(cè)CRC轉(zhuǎn)移的影像組學(xué)模型的建立方法，其特征在于，其還包括對(duì)步驟(6)構(gòu)建的模型進(jìn)行驗(yàn)證。