基于影像组合病理的肺癌术后风险模型构建方法和系统

本发明属于智慧医疗领域，具体的，涉及基于影像组合病理的肺癌术后风险模型构建方法和系统。

背景技术：

1、肺癌是全球癌症相关死亡的首要原因,其中非小细胞肺癌(non-smal cell lungcancer,nsclc)约占所有肺癌的85%。手术切除肿瘤仍然是i期到ⅲa期非小细胞肺癌的首选治疗方式,但术后预后迥异。临床需要对患者术后的预后情况精准评估进行复发或死亡风险分层，以指导临床制定个性化治疗和随访方案，辅助临床决策。术前准确的诊断、评估和预后预测是获得精准治疗决策的基础。目前，临床上评价nsclc预后主要基于美国癌症联合会(american joint committeeon cancerajcc)建立的tnm 分期系统(t：肿瘤：n：淋巴结：m：远处转移);然而临床实践发现肿瘤完全切除后，即使相同分期，nsclc患者的预后也存在较

2、大差导：因此临床破需结准的预后评估方法，随着人工智能技术广涉应用干医学用像领域影像组学和病理组学技术应运而生并且为解决上述问题提供了新思路。

3、目前影像组学和病理组学已经分别在肺癌的诊断与鉴别诊断、分级分期、预后预测和疗效评估等发明领域都取得了优异的发明成果并且形成了较为成熟的技术架构,融合影像组学和病理组学技术构建预测早期可手术切除肺癌的病理分级和预测预后的模型不仅可以从多维度、实时、无创地反映肿瘤的异质性，并且可以为临床医生精准诊疗方案的制定提供重要依据。但现有技术中尚未发现针对肺癌术后风险的全面预测方案，对肺癌术后的恢复和其他类似患者的手术规划提出挑战。

4、因此本发明拟基于肺癌患者术前胸部增强ct图像，利用影像组学技术，提取肺癌病灶

5、ct的影像定量特征，结合术后数字病理图像，融合影像组学和病理组学的方法，提取ia-i期肺癌患者术前胸部增强ct影像组学特征与病理全玻片电子扫描病理组学特征，筛选出与肺癌术前分期和术后2年生存风险相关的影像组学与病理组学特征，结合临床指标构建肺癌术后风险模型，探索肺癌术后预后精准预测的新生物学指标和标志物，筛选手术治疗优势人群，辅助临床决策。

技术实现思路

1、根据本发明第一方面，本发明请求保护基于影像组合病理的肺癌术后风险模型构建方法，包括以下步骤：

2、s101、构建候选肺癌术后风险模型，初步向候选肺癌术后风险模型输入底限指标，所述底限指标由服务器端设定，使术后恢复人员达到所预测的合理区间；

3、s102、通过回顾性术后表征，以及已有的候选肺癌术后风险模型的指标，依据候选肺癌术后风险模型内部的分析原则，分析出术后图像输出的感兴趣区域，输出给术后护理人员；

4、s103、对术后护理人员筛选感兴趣区域，在术后护理人员获取感兴趣区域之后，得到下一阶段的筛选特征，获取感兴趣区域及其下一阶段的筛选特征；

5、s104、将获取的感兴趣区域和筛选特征输入到病理组学标签聚类中，病理组学标签聚类分析出的聚类值，间接表示所述候选肺癌术后风险模型的指标的置信度；

6、s105、将获取的感兴趣区域和筛选特征输入到准确度校验函数中，准确度校验函数通分析出准确度值，继而分析下一步的所需要校验指标的准确度范围；

7、s106、获取候选肺癌术后风险模型指标与相对应的聚类值进行lasso过程回归，获取聚类值与相应的候选肺癌术后风险模型指标的回归的函数关系；

8、s107、对候选肺癌术后风险模型指标与相对应的准确度值进行lasso过程回归，获取准确度值与相应的候选肺癌术后风险模型指标的回归的函数关系；

9、s108、准确度校验步骤，对上一步获取的准确度值与相应的候选肺癌术后风险模型指标的回归的函数关系进行校验，假定准确度函数满足莱布尼兹条件，利用莱布尼兹常数来校验下一步的准确度范围；

10、s109、由上一步获取的准确度范围，对候选肺癌术后风险模型的指标进行优化，所优化出的候选肺癌术后风险模型指标仍然处于准确度的范围中，在准确度的范围内求得使病理组学标签聚类最小的指标，并将该指标输入给候选肺癌术后风险模型；

11、s110、候选肺癌术后风险模型获取指标之后，重复s102，直至两次重复获取的病理组学标签聚类之间的误差小于预设临界值便停止继续训练, 肺癌术后风险模型构建完成。

12、进一步地，所述s102的具体方法如下：

13、候选肺癌术后风险模型分析预测术后恢复关联区域特征向量，术后恢复关联区域特征向量的分析公式由下式表示：

14、;

15、;

16、;

17、式中，y为实际回顾性筛选特征值，为回顾性标准筛选特征值；m为筛选特征数量；在自适应检测预测当中，筛选特征为回顾性变化加速率，理想筛选特征为理想的变化加速率；在复杂的预测逻辑当中，筛选特征为向量或标量；感兴趣区域通过回顾性筛选特征与理想筛选特征之间的偏差，分析出所需要的预测术后恢复关联区域特征向量，在检测预测中g为所输出的术后恢复关联区域特征向量；均关联指标特征向量；

18、式中，min(),max()函数是为限定感兴趣区域g不会超过关联极限，使最后求解的感兴趣区域能够达到满足的状态，和是术后恢复关联区域特征向量的理论最大值和最小值；

19、 ；

20、为感兴趣区域指标准确度值；

21、所述s103的具体方法如下：

22、术后护理人员分析感兴趣区域特征向量，由力学运动定律，术后恢复纵向预测的方程为：

23、;

24、式(3)中，q为术后初始图像质量，a为变化加速率，为式分析出的感兴趣区域g的恢复权值，为术后恢复过程中的各种关联要素的权值之和；术后恢复分析预测术后恢复关联区域特征向量在分析之后产生下一阶段的筛选特征，输出给病理组学标签聚类中分析；

25、所述s104的具体方法如下：

26、病理组学标签聚类分析感兴趣区域特征向量与筛选特征与合理区间之间的偏差继而获取病理组学标签聚类值。

27、进一步地，所述s106、s107的具体方法如下：

28、采集到的感兴趣区域指标准确度值；

29、其中，为每一次标定过程中的指标匹配选择，s为标定次数存储下来的数据量，为感兴趣区域指标准确度值的维度；

30、以x为准确度函数的值，则回归为如下方程式：

31、；

32、式中，p为第p个特征向量数据，为测量过程中的独立同分布干扰区域，其均值为0，标准差的平方为，干扰区域在整个过程使用向量表达，即：

33、；

34、其中：

35、。

36、进一步地，所述s108的方法如下：

37、通过准确度函数定义，当准确度函数大于0的定义域内，感兴趣区域指标准确度值θ保证准确度，θ1和θ2分别表示第一感兴趣区域指标准确度值和第二感兴趣区域指标准确度值，设置准确度函数满足莱布尼兹条件，即：

38、|e(θ1)-e(θ2)|≤l|θ1-θ2|

39、选定恒大于准确度函数斜率的莱布尼兹常数l保证上式满足，常数越大，收敛越慢；

40、准确度的集合为：

41、θ∈{θ|e(θ0)+l(θ-θ0)>0}；

42、当θ的范围在(0,6]的范围内，e(θ)恒大于0，保证系统准确度；

43、下一个采样点的选择范围选择在(0,6]之内。

44、进一步地，所述s109的具体方法如下：

45、候选肺癌术后风险模型优化指标利用准确度校验中获取下一个指标的选择范围，对lasso过程回归中回归的病理组学标签聚类进行分析，采用贝叶斯优化找到病理组学标签聚类的最小值位于概率最大的点。

46、根据本发明第二方面，本发明请求保护基于影像组合病理的肺癌术后风险模型构建系统，包括：

47、候选模型构建模块，构建候选肺癌术后风险模型，初步向候选肺癌术后风险模型输入底限指标，所述底限指标由服务器端设定，使术后恢复人员达到所预测的合理区间；

48、感兴趣区域判定模块，通过回顾性术后表征，以及已有的候选肺癌术后风险模型的指标，依据候选肺癌术后风险模型内部的分析原则，分析出术后图像输出的感兴趣区域，输出给术后护理人员；

49、感兴趣区域筛选模块，对术后护理人员筛选感兴趣区域，在术后护理人员获取感兴趣区域之后，得到下一阶段的筛选特征，获取感兴趣区域及其下一阶段的筛选特征；

50、聚类模块，将获取的感兴趣区域和筛选特征输入到病理组学标签聚类中，病理组学标签聚类分析出的聚类值，间接表示所述候选肺癌术后风险模型的指标的置信度；

51、校验模块，将获取的感兴趣区域和筛选特征输入到准确度校验函数中，准确度校验函数通分析出准确度值，继而分析下一步的所需要校验指标的准确度范围；

52、回归分析模块，获取候选肺癌术后风险模型指标与相对应的聚类值进行lasso过程回归，获取聚类值与相应的候选肺癌术后风险模型指标的回归的函数关系；

53、准确度分析模块，对候选肺癌术后风险模型指标与相对应的准确度值进行lasso过程回归，获取准确度值与相应的候选肺癌术后风险模型指标的回归的函数关系，对获取的准确度值与相应的候选肺癌术后风险模型指标的回归的函数关系进行校验，假定准确度函数满足莱布尼兹条件，利用莱布尼兹常数来校验下一步的准确度范围；

54、指标优化模块，由上一步获取的准确度范围，对候选肺癌术后风险模型的指标进行优化，所优化出的候选肺癌术后风险模型指标仍然处于准确度的范围中，在准确度的范围内求得使病理组学标签聚类最小的指标，并将该指标输入给候选肺癌术后风险模型；

55、输出模块，候选肺癌术后风险模型获取指标之后，重复直至两次重复获取的病理组学标签聚类之间的误差小于预设临界值便停止继续训练, 肺癌术后风险模型构建完成。

56、本发明请求保护基于影像组合病理的肺癌术后风险模型构建方法和系统，通过构建候选肺癌术后风险模型，初步向候选肺癌术后风险模型输入底限指标，依托回顾性术后表征，以及已有的候选肺癌术后风险模型的指标，得出术后的感兴趣区域并筛选，病理组学标签聚类出聚类值，获取相对应的聚类值进行lasso过程回归，优化相关指标，在准确度的范围内求得使病理组学标签聚类最小的指标并输入候选肺癌术后风险模型，之后重复直至获取的病理组学标签聚类之间的误差小于预设临界值停止训练, 肺癌术后风险模型构建完成。本方案的技术效果是可以有效综合肺癌术前术后样本特征和病理组学标签构建准确的风险预测模型，对术后恢复以及术前风险预警给出参考。