[發明專利]一種用于非小細胞肺癌患者免疫治療的預后評估方法

有效

• 申請號: 202111433361.1
• 申請日: 2021-11-29
• 公開（公告）號: CN113851185B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 孫大偉;劉思瑤;廖蕊;張怡然;顧麗清;王冰;王東亮
• 申請（專利權）人: 求臻醫學科技（北京）有限公司
• 主分類號: G16B5/00
• 分類號: G16B5/00;G16B20/50;G16B40/00;G16H50/30;G16H50/50;C12Q1/6886
• 代理公司: 重慶百潤洪知識產權代理有限公司 50219
• 代理人: 陳付玉

1.一種用于非小細胞肺癌患者免疫治療的預后評估方法，其特征在于包括以下步驟：

S1. 對非小細胞肺癌患者進行基因靶向測序，獲取基因變異情況；

S2. 將基因突變列表與預后情況輸入監督學習決策樹模型中，基于CART算法，建立分類模型，創建決策樹模型，篩選出13個最優特征基因；

S3. 構建公式I所示的包含13個最優的特征基因的預測模型，用于對非小細胞肺癌TMB-H患者進行預后風險評分，從而預測出病人的預后情況；

式I

其中，表示的mutation特征與生存時間的單因素cox回歸的系數；

其中，所述S2具體為：將檢測到的基因變異做為訓練特征，以總生存期OS12 月以及總生存期OS12月作為機器學習的分類結果，使用監督學習決策樹模型CART算法，通過特征選擇、剪枝、交叉驗證、模型持久化四個步驟，創建決策樹模型；所述特征選擇具體為：使用公式II所示的基尼系數作為衡量標準，來計算通過不同的特征進行分支選擇后的分類情況，找出最好的分類特征作為根節點，并以此類推，直到建樹結束，創建復雜樹模型；

式II

其中K表示類別， p為第k個類別的概率，Gini(p)越小，則純度越高，特征越好；

所述剪枝具體為：通過公式III所示的極小化決策樹整體的損失函數來實現，對所述復雜樹模型自下往上的對非葉子結點進行考回縮，若將該結點對應的子樹替換為葉結點能帶來泛化性能提升，則進行剪枝，即將父結點變為新的葉子結點，從而對將生成的樹進行簡化，以避免過擬合情況的發生；

式III

其中，C(T)表示模型與訓練數據的擬合程度，|T|表示模型復雜度；

所述交叉驗證具體為：通過公式IV所示的準確度公式，將原始數據集隨機地分成5份，每次將其中4份作為訓練集來訓練模型，剩余1份作為驗證集驗證模型，得到驗證集的準確度，輪流進行5次，直到所有的數據都被驗證了一次且僅被驗證一次，循環計算每組模型準確度得分平均值，取平均值最高為最優模型，從而評價模型的泛化能力，從而進行模型及參數選擇；

式IV

其中，Accuracy 代表準確率，TP：被正確分類的正例樣本個數，TN：被正確分類的負例樣本個數，FP：被錯誤分類的負例樣本個數，FN：被錯誤分類的正例樣本個數。

2.根據權利要求1所述的一種用于非小細胞肺癌患者免疫治療的預后評估方法，其特征在于所述S1具體為：采集非小細胞肺癌TMB-H患者樣本進行靶向深度測序，檢測基因變異情況。

3. 根據權利要求1所述的一種用于非小細胞肺癌患者免疫治療的預后評估方法，其特征在于：所述13個最優特征基因為SMARCB1、TSC2、 BAP1、SDHB、RIT1、ESR1、SOCS1、SH2B3、IDH2、MET、 BRIP1、NTRK3、FGFR4。

4.根據權利要求1所述的一種用于非小細胞肺癌患者免疫治療的預后評估方法，其特征在于：將TMB-H患者的樣本進行靶向深度測序，檢測panel基因變異，將其13個特征基因的突變情況帶入預測模型中計算TMB-H患者預后風險得分，以中位數為區分閾值，將患者分為預后良好組與預后較差組。