[發明專利]基于多模態影像組學的癲癇藥物治療結局預測方法和裝置

在審

• 申請號: 202210228783.3
• 申請日: 2022-03-10
• 公開（公告）號: CN114711717A
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 蔣典;王海峰;梁棟
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61B5/055
• 代理公司: 深圳市銘粵知識產權代理有限公司 44304
• 代理人: 孫偉峰;黃進

1.一種基于多模態影像組學的癲癇藥物治療結局預測方法，其特征在于，包括步驟：

獲取TSC患者在進行抗癲癇藥物治療前的多種模態磁共振影像，并對所述多種模態磁共振影像進行預處理；

把TSC患者按比例隨機分為訓練集和測試集，所述訓練集用于訓練預測模型，所述測試集用于驗證預測模型的性能；

基于U-net++網絡對預處理后的每一種模態磁共振影像進行區域分割，獲取每一種模態磁共振影像對應的感興趣區域；

對每一種模態磁共振影像的每一個感興趣區域進行特征提取，獲取每一個感興趣區域對應的高維影像組學特征；

對所述高維影像組學特征進行分析篩選，降維后得到目標影像組學特征；

對訓練集中的目標影像組學特征運用機器學習算法訓練預測模型，構建獲得癲癇藥物治療結局預測模型，并在測試集中驗證模型；

利用構建獲得癲癇藥物治療結局預測模型對待治療患者的目標影像組學特征進行預測，獲得預測的癲癇藥物治療結局。

2.根據權利要求1所述的癲癇藥物治療結局預測方法，其特征在于，所述多種模態磁共振影像包括磁共振影像中的T1加權影像、T2加權影像和液體衰減反轉恢復影像。

3.根據權利要求1或2所述的癲癇藥物治療結局預測方法，其特征在于，所述TSC患者的入組標準需要至少滿足以下3個條件：1)患者在使用抗癲癇藥物治療前進行了多種模態磁共振影像掃描；2)患者使用抗癲癇藥物治療1年以上；3)患者未進行病灶切除手術。

4.根據權利要求1所述的癲癇藥物治療結局預測方法，其特征在于，所述訓練集和所述測試集的數量比例為8:2或7:3。

5.根據權利要求1所述的癲癇藥物治療結局預測方法，其特征在于，在基于U-net++網絡對預處理后的每一種模態磁共振影像進行區域分割之后，通過人工檢查并修改完善影像的分割輪廓，進而獲取每一種模態磁共振影像對應的感興趣區域。

6.根據權利要求1所述的癲癇藥物治療結局預測方法，其特征在于，所述高維影像組學特征至少包括以下3類特征：1)用于描述結節病灶尺寸和形狀的三維形態特征；2)用于描述病灶區域強度分布的一階統計特征；3)用于描述病灶區域空間分布信息的紋理特征，包括灰度共生矩陣、灰度游程矩陣、灰度區域大小矩陣、相鄰灰度差分矩陣和灰度共生矩陣。

7.根據權利要求1所述的癲癇藥物治療結局預測方法，其特征在于，所述對高維影像組學特征進行分析篩選，降維后得到目標影像組學特征的步驟包括：

首先采用了雙變量分析算法對高維影像組學特征進行初步篩選：計算每個組學特征與藥物治療的治療結局之間的斯皮爾曼相關系數p值，篩選出p值0.05的組學特征，獲得初步影像組學特征；

然后使用套索算法對所述初步影像組學特征進行進一步篩選，篩選出與病灶分類有顯著關系的影像組學特征，獲得所述目標影像組學特征。

8.根據權利要求1或7所述的癲癇藥物治療結局預測方法，其特征在于，所述對訓練集中的目標影像組學特征運用機器學習算法訓練預測模型，構建獲得癲癇藥物治療結局預測模型，并在測試集中驗證模型的步驟包括：

采用多種機器學習算法分別建立模型，獲得多種類型的預測模型；所述多種機器學習算法包括支持向量機算法、隨機森林算法、Logistic回歸分析算法、Ada Boost算法、Gradient Boosting算法和Decision Tree算法；

對于每一類型的預測模型，采用十折交叉驗證進行訓練，訓練過程使用網格搜索算法選擇最優超參數；根據確定的最優超參數，在整個訓練集上訓練各個類型的預測模型，訓練得到候選預測模型，并在測試集上測試驗證；

基于AUC、準確性、敏感性和特異性的性能參數對候選預測模型進行性能評估，選取性能最佳的候選預測模型作為所述癲癇藥物治療結局預測模型。