[发明专利]一种构建肺肿瘤良恶性预测模型的方法

说明书

本发明公开了一种构建肺肿瘤良恶性预测模型的方法。该方法包括如下步骤：(1)选取肺肿瘤病人样本，对肺肿瘤病人的肺部区域进行电子计算机断层扫描(CT)，获得相应的CT图像；(2)对步骤(1)获得的CT图像进行勾画，分割肺部病变区域，得到标记的病灶区域；(3)从标记的病灶区域提取定量的影像特征；(4)采用Lasso算法进行特征选择；(5)将选择的特征数据作为输入，使用梯度下降算法对Logistic回归进行参数优化，最后使用Logistic训练得到肺肿瘤良恶性预测模型。本发明构建肺肿瘤良恶性预测模型的方法简单，耗时短，预测模型准确度高，可以应用于肺肿瘤良恶性的定性诊断。

技术领域

本发明属于医学影像组学技术领域，特别是涉及一种构建肺肿瘤良恶性预测模型的方法。

背景技术

根据美国癌症协会2016年统计显示，肿瘤死亡率最高的是肺癌，其中男性肺癌的发生率和死亡率均是最高，女性的发生率和死亡率占到第二位。肺癌一般起病比较隐匿，多数病人发现时已是中晚期。早期发现并经过治疗的患者5年生存率可以达到80％以上，可见早期肿瘤良恶性的检测对肺癌的治疗意义重大。目前临床上医生确定肿瘤良恶性的主要诊断方法是通过活体组织检查，它经由侵入式手术获取肿瘤的小部分组织进行组织病理学诊断。活检可以帮助临床医生做出诊断，但是这方法的缺点也很明显。一是，活检是有创的，病人难以接受多次的活检且时间长有可能会延误病人的治疗。二是，由于肿瘤的时空异质性，活检只能反应肿瘤的部分信息，并不能反应肿瘤的全部信息。因此急需一种无创的，非侵入性的全面评估肿瘤信息的早期诊断方法。

在临床实践中，医学影像使用的越来越广泛。但是目前医生也仅仅通过影像的一些分叶征，空洞，钙化等特征作出初步的判断，必须对照活检病理信息才能给出最终的检查报告结果。随着科学技术的发展采集影像的设备和技术也越来越完善，所生成的影像数据也越来越大。显然医生这种对影像的使用和处理方式难以充分挖掘影像所包含的大数据信息。因此影像组学应运而生。

影像组学是一个新兴领域，现在已经成为国际医学影像领域研究的最新发展方向。通过医学影像，例如CT、正电子发射计算机断层显像(Positron Emission Tomography,PET/CT)、磁共振成像(magnetic resonance imaging,MRI)感兴趣区域提取大量的定量影像特征，对这些特征通过机器学习方法进行筛选、分析，选择出与临床问题相关联最有价值的特征，利用选择出的特征构建模型进行肿瘤的诊断和临床表型预测。由此可见，采用影像组学的方法可以解决上述难题。

基于影像组学对肿瘤进行诊断和预测的优势，本发明公开了一种构建肺肿瘤良恶性预测模型的方法，该方法基于影像组学构建了肺肿瘤良恶性预测模型，可实现肺肿瘤良恶性的预测，为临床医生提供有效的帮助。

发明内容

本发明的目的在于提供一种构建肺肿瘤良恶性预测模型的方法。本发明构建肺肿瘤良恶性预测模型的方法简单，耗时短，预测模型准确度高，可以应用于肺肿瘤良恶性的定性诊断。

为了达到上述的目的，本发明采取以下技术方案：

一种构建肺肿瘤良恶性预测模型的方法，该方法包括如下步骤：

(1)选取肺肿瘤病人样本，对肺肿瘤病人的肺部区域进行电子计算机断层扫描(CT)，获得相应的CT图像；

(2)对步骤(1)获得的CT图像进行勾画，分割肺部病变区域，得到标记的病灶区域；

(3)从标记的病灶区域提取定量的影像特征；

(4)采用Lasso(least absolute shrinkage and selection operator)算法进行特征选择；

(5)将选择的特征数据作为输入，使用梯度下降算法对Logistic回归进行参数优化，最后使用Logistic训练得到肺肿瘤良恶性预测模型。