基于临床-融合影像计算机模型预测肺癌免疫疗效方法

本发明涉及肺癌免疫治疗，具体涉及基于临床-融合影像计算机模型预测肺癌免疫疗效方法。

背景技术：

1、免疫治疗在肺癌中的应用日益广泛，也带来了广泛的临床获益。目前对于疗效评估国际上多采用实体瘤疗效评价标准即recist1.1标准进行评价。

2、肿瘤疗效评价按照recist1.1分为四个等级：完全缓解（cr），部分缓解（pr），疾病稳定（sd），疾病进展（pd）。肿瘤疾病部位评价必须采用与基线相同的方法，包括一致进行增强和及时的扫描。cr：所有靶病灶消失，全部病理淋巴结（包括靶结节和非靶结节）短直径必须减少至＜10mm。pr：靶病灶直径之和比基线水平减少至少30%。pd：以整个实验研究过程中所有测量的靶病灶直径之和的最小值为参照，直径和相对增加至少20%（如果基线测量值最小就以基线值为参照）；除此之外，必须满足直径和的绝对值增加至少5mm（出现一个或多个新病灶也视为疾病进展）。sd：靶病灶减小的程度没达到pr，增加的程度也没达到pd水平，介于两者之间，研究时可以直径之和的最小值作为参考。不确定：未记录进展，且1个或以上可测量的目标病灶未评价，或所用评价方法与基线不一致，或1个或以上目标病灶不能准确测量，或1个或以上目标病灶被切除或辐射，且未复发或增大。

3、但是目前缺乏对于肺癌新辅助免疫治疗疗效的有效预测系统。

技术实现思路

1、本发明的目的是提供基于临床-融合影像计算机模型预测肺癌免疫疗效方法，以解决现有技术中的评价体系只能在肺癌新辅助免疫治疗结束后对其实际效果进行客观评价，具有滞后性；且许多患者接受免疫治疗后会出现假进展或超进展的情况，对准确评估疗效带来干扰；不能及时准确地评估肺癌新辅助免疫治疗的疗效会影响患者临床方案的制定，加重患者的经济负担，降低生活治疗，不利于生存获益的不足之处。

2、为了实现上述目的，本发明提供如下技术方案：基于临床-融合影像计算机模型预测肺癌免疫疗效方法，具体包括以下步骤：

3、s1、收集患者临床资料：首先，通过收集患者的病历记录、实验室检查结果、影像学检查结果和专科检查结果对患者的临床资料进行统计并记录；

4、s2、提取患者ct形态学特征：再获取患者ct图像，并从患者ct图像上测量肺癌原发病灶的部位、数量、大小、边缘是否有毛刺、是否合并钙化、是否呈分叶、是否牵拉胸膜的宏观征象；

5、s3、测量pet代谢参数：接着对患者注射放射性示踪剂，并通过使用正电子发射断层扫描成像技术生成患者pet三维图像，再通过配合pet测量方法对患者pet代谢参数进行测量；

6、s4、pet图像和ct图像的分割、组学参数提取和筛选：此时将入组患者pet和ct图像分别导出为dicom格式，并由两位具有5年以上pet/ct阅片经验的核医学科医生应用机器联合手动分割模块对患者的pet和ct图像的乳腺癌原发灶roi分别从轴状位、冠状位和矢状位进行手动勾画，彼此进行互相复核；将勾画后的pet和ct图像及相应的roi区域文件保存为“.nii”格式；

7、使用python3.7.1中pyradiomics模块分别对pet和ct图像进行相应的滤波预处理以及特征提取；

8、s5、筛选稳定的影像组学特征：首先将患者的pet和ct图像通过使用wilcoxon检验计算具有显著差异的影像组学特征，显著性水平阈值设置为p=0.05；

9、接着计算每两两影像组学特征组合之间的相关性r，去除高维的特征冗余，冗余特征定义为相关性r>0.8的两个影像组学特征中auc值较小的特征；

10、然后使用lasso回归筛选预测效能较高的影像组学特征组合；lasso通过确定常数λ的值，得出降维后的影像组学特征及相应组学特征的权重；

11、最后将保留特征以及特征相应的特征权重进行线性组合计算每个病人的影像组学分数；

12、s6、映射关系、多个组合模型建立：将上述s5中的临床-融合影像特征与患者新辅助免疫治疗的效果建立映射关系，建立多个组合模型，对比临床、ct、pet、petct和petct临床的模型效能，最终筛选出一个预测效能最好的模型；

13、通过筛选出的计算机模型对肺癌新辅助免疫治疗的疗效进行预测。

14、进一步地，所述s1中收集的临床资料包括患者性别、年龄、吸烟史、病理类型、分期，pd-l1表达情况、肿瘤标志物。

15、进一步地，所述s3中pet测量方法为：由两名以上的核医学医师在xeleris工作站上读片，且所有图像通过aw4.6后处理工作站的petvcar软件进行处理，用迭代自适应算法来探测阈值水平，以乳腺癌原发病灶suvmax的42%为阈值，可将鼠标定位到目标病灶，通过insert键自动勾画感兴趣区，也可选择包上整个病灶，若感兴趣区外的活性不可避免，分析前要把该病灶剔除，确认感兴趣区合适后，petvcar软件自动计算感兴趣区内如下指标：suvmax，suvmean，suvpeak，mtv和tlg。

16、进一步地，所述s3中pet代谢参数为：最大标准化摄取值、平均标准化摄取值、标准化摄取值峰值、肿瘤代谢体积和病灶糖酵解总量。

17、进一步地，所述s4中两位核医学科医生彼此进行互相复核，若出现意见分歧时，二人以协商一致方式解决；若无法达成统一意见时，则由另一位具有10年以上pet/ct阅片经验的核医学科医师对roi勾画分歧处进行查验校对后，做出最终判断。

18、进一步地，所述s4中预处理滤波包括：指数、梯度、高斯拉普拉斯算子、对数、平方、平方根和小波滤波；

19、其中，小波滤波由纳入pet/ct图像3个维度的高通h与低通l的组合组成，分别包括llh、lhl、hhl、lll、hhh、lhh、hll、hlh。

20、进一步地，所述s4中特征提取包括：从pet/ct原始图像中提取三维和二维形状特征；

21、从pet/ct预处理图像和原始图像中提取形状、一阶、灰度共生矩阵、灰度游程长度矩阵、灰度大小区域矩阵、灰度依赖矩阵特征。

22、进一步地，所述s5中影像组学特征包括：形态学特征、密度特征、纹理特征和血流动力学特征。

23、与现有技术相比，本发明提供的基于临床-融合影像计算机模型预测肺癌免疫疗效方法，用于肺癌新辅助免疫治疗疗效的预测，以期在治疗前即对非小细胞肺癌患者新辅助免疫治疗的疗效进行预测，从而精准筛受试人群，降低患者不必要的经济负担，提高生存获益；

24、同时通过对pet/ct图像进行参数化建模，使图像特征到疗效的映射模型具有较高的准确性；

25、且通过在pet/ct肿瘤区域分割模块上，采用机器联合手动分割的方法，最大程度保证了分割的准确性和有效性；

26、利用计算机建立的数学模型和机器学习对肺癌新辅助免疫治疗疗效进行预测；

27、综上所述，本发明不仅可以在新辅助免疫治疗前即对患者疗效进行预测，还可以精准筛选能重新辅助免疫治疗中获益的肺癌患者；避免患者的多次重复检查；可以指导新辅助免疫治疗疗效预期不好的患者尽早更换治疗方案，从而减少不必要的经济负担；同时应用计算机模型进行预测，有效避免主观误差。