[发明专利]用于HCC复发及RFS的预测模型和诺模图的构建方法及应用

权利要求书

1.一种用于HCC复发及RFS的预测模型和诺模图的构建方法，其特征在于，所述用于HCC复发及RFS的预测模型和诺模图的构建方法包括：

第一步，采用MRMRA，从肝脏3期CECT扫描图像中均分别提取出647个影像组学特征；

第二步，采用LASSO-Cox回归模型确认影像组学标签；

第三步，利用临床、病理学因素联合影像组学标签建立HCC治愈性消融治疗后HCC复发及RFS的预测模型和预测诺模图。

2.如权利要求1所述用于HCC复发及RFS的预测模型和诺模图的构建方法，其特征在于，所述步骤一具体包括：

共647个反映机器阅读影像学特征和细微纹理信息的影像组学特征从所分割的感兴趣区中采用软件Matlab 2014a提取；采用非抽样小波变换对原始三维肿瘤层面进行图像滤过处理；从原始图像或分解图像中进行提取的特征可被分为两类：纹理特征和非纹理特征；非纹理特征包括：形状、大小和密度特征；形状和大小特征获取肿瘤的直观特点；密度特征展现病灶的直方图特点；纹理特征基于以下四个纹理矩阵进行提取，即灰度共生矩阵、灰度级长矩阵、灰度级带矩阵和邻域灰度差分矩阵。

3.如权利要求1所述用于HCC复发及RFS的预测模型和诺模图的构建方法，其特征在于，所述步骤二具体包括：

(1)临床、病理因素的分析、选择

临床、病理因素采用单因素Cox风险比例回归模型进行分析，p值＜0.10的因素入选，入选的因素被整合并进入逐步回归多因素Cox模型；在多因素分析中，变量的p值＜0.05为该因素可能与患者的RFS相关而被纳入模型的建立，否则即被排除；

(2)影像组学特征的选择

ICC通过test-retest检验法计算并确定某一特征的稳定性；某一特征的属性相关系数＜0.75将被排除；MRMRA被用于特征选择；选择特征子集，该子集可以取得两组之间差异的最佳特点，最终根据每一特征的MRMRA输出分数，共有20个特征被遴选用于构建模型；irrR软件包被用于计算属性相关系数；mRMReR软件包被用于MRMRA特征选择；

(3)影像组学标签的建立

对于训练集数据，采用LASSO方法在Cox比例风险模型中对选择的20个特征进行深层次变量选择；最终选择理想的具有最小交叉验证日志部分似然的特征；表明特征和生存风险比例的非零系数被确定为每一个选择特征的权重；每一位患者的影像组学标签通过所选择特征与各自系数的乘积产生；对于CECT图像来说，采用LASSO-Cox模型利用训练集数据建立模型并在验证集对模型预测效能进行验证；影像组学标签的预测价值通过KM曲线评估；入组患者通过影像组学标签的中位值分为高风险组和低风险组；通过对数秩和检验比较KM曲线；采用glmnet R软件包进行LASSO-Cox变量选择和模型建立；采用R软件包对生存曲线进行比较；

最终选择的20个特征被输入LASSO-Cox模型；根据缺一交叉验证法，最终纳入的用于建立影像组学模型的动脉期、门静脉期和延迟期的影像特征；单因素Cox比例风险模型以3期CECT中的动脉期、门静脉期、延迟期的影像组学标签分别建立预测模型，而多因素Cox比例风险模型则整合3期CECT全部影像组学标签建立联合预测模型。

4.如权利要求1所述用于HCC复发及RFS的预测模型和诺模图的构建方法，其特征在于，所述步骤三具体包括：

(1)将临床、病理因素融入上述4个影像组学预测模型，门静脉期影像组学联合预测模型在验证组显示出最佳预测能力；

(2)诺模图建立：因整合有临床、病理因素的门静脉期影像组学联合模型具有最佳预测能力，因此基于该模型建立诺模图；同时对于训练组和验证组均绘制诺模图校正曲线。

5.一种由权利要求1所述用于HCC复发及RFS的预测模型和诺模图的构建方法构建的用于HCC复发及RFS的预测模型和诺模图。

6.一种如权利要求5所述用于预测HCC复发及RFS的模型和诺模图在HCC局部治愈性消融治疗后进行肿瘤复发及RFS预测的应用。