[发明专利]基于机器学习技术的不同类型肿瘤对放疗射线敏感性的检测方法

说明书

一种基于机器学习技术的不同类型肿瘤对放疗射线敏感性的检测方法，包括：医疗案例数据库模块，案例数据预处理模块，决策树C4.5算法生成模块，决策树剪枝模块，决策树模型验证模块，病人信息输入模块，决策树模型计算结果输出模块。本发明能够依据已有案例数据库，建立不同肿瘤对不同射线敏感性的判断模型并对模型进行训练，在输入患者肿瘤相关信息后，该检测模型可以自动判断并输出该肿瘤对不同射线的敏感性结果，辅助医生制定相应放疗计划。

技术领域

本发明属于肿瘤放射治疗技术领域，涉及到一种自动生成肿瘤放疗射线选择的方法，具体而言是一种基于决策树机器学习方法的不同类型肿瘤对放疗射线敏感性的检测方法。

背景技术

机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一，目前将机器学习与放射治疗相结合的技术较少。

肿瘤放射治疗是利用放射线治疗肿瘤的一种局部治疗方法。放射线包括放射性同位素产生的α、β、γ射线和各类x射线治疗机或加速器产生的x射线、电子线、质子束及其他粒子束等。大约70％的癌症患者在治疗癌症的过程中需要用放射治疗，约有40％的癌症可以用放疗根治。放射治疗在肿瘤治疗中的作用和地位日益突出，已成为治疗恶性肿瘤的主要手段之一。

放射疗法发展较快,在CT影像技术和计算机技术发展帮助下，现在的放疗技术由二维放疗发展到三维放疗、四维放疗技术，放疗剂量分配也由单一剂量发展到体积剂量分配，及体积剂量分配中的剂量调强。现在的放疗技术主流包括立体定向放射治疗(SRT)、立体定向放射外科(SRS)、三维适形放疗(3DCRT)、三维适形调强放疗(IMRT)等。其中，立体定向放射外科(SRS)可以使用X刀(X-knife)、伽玛刀(Y刀)和射波刀(Cyber Knife)等设备，其特征是三维、小野、集束、少分次、大剂量照射，它要求定位的精度更高和靶区之外剂量衰减的更快。

放射治疗的疗效取决于放射敏感性，不同组织器官以及各种肿瘤组织在受到照射后出现变化的反应程度各不相同。放射敏感性与肿瘤细胞的增殖周期和病理分级有关，即增殖活跃的细胞比不增殖的细胞敏感，细胞分化程度越高放射敏感性越低，反之愈高。此外，肿瘤细胞的氧含量直接影响放射敏感性，例如早期肿瘤体积小，血运好，乏氧细胞少时疗效好，晚期肿瘤体积大，瘤内血运差，甚至中心有坏死，则放射敏感性低；肿瘤局部合并感染，血运差(乏氧细胞多)，放射敏感性下降。

随着计算机算力的不断提升，使得对复杂多样的患者病例数据进行储存分析成为可能，中国专利“CN102184330A-一种基于影像特征和只能回归模型的优化调强放疗计划方法”既是利用大数据分析的一种方法，但未涉及本文的机器学习技术，不能对已有数据库进行最智能化利用。

中国专利“CN107715314A-基于深度学习的放射治疗系统疗法”，利用神经网络算法，结合患者的影像数据和部分放射治疗数据，学习已有患者放射治疗方案，节省了医生反复调试放射治疗计划的时间，并提高了放射治疗方案的准确性。

发明内容

为了克服现有技术存在的不足，本发明提供一种基于机器学习决策树算法的不同类型肿瘤对放疗射线敏感性的检测方法，依据已有案例数据库，建立不同肿瘤对不同射线敏感性的决策树模型并对模型进行训练，在输入患者肿瘤相关信息后，该检测模型可以自动判断并输出该肿瘤对不同射线的敏感性结果，辅助医生制定相应放疗计划，以期能够快速实现肿瘤患者的个性化放疗方案，提高肿瘤患者生存率。

本发明的目的可以通过以下技术方案实现：

基于机器学习技术决策树算法的不同类型肿瘤对放疗射线敏感性的检测方法，包括：医疗案例数据库模块，案例数据预处理模块，决策树C4.5算法生成模块，决策树剪枝模块，决策树模型验证模块，病人信息输入模块，决策树模型计算结果输出模块。

所述医疗案例数据库模块：储存过往病人的数据，为决策树模型提供训练集；