[发明专利]免疫治疗疗效预测模型训练方法、预测系统及方法和介质

权利要求书

1.免疫治疗疗效预测模型的训练方法，其特征在于，包括：

搜集基本临床信息、不同时间拍摄的CT影像以及对应的专家分割标注、实验室检验信息、临床干预状态信息以及治疗过程中专家进行的疗效评估信息，并将其划分为训练集、验证集与测试集；

对上述搜集到的数据集进行预处理，对基本临床信息中的类别信息进行编码处理，对连续值进行归一化处理，拼接得到基本临床信息结构化特征；对于CT影像，提取每一次CT影像中专家分割标注的影像组学时间序列特征，进行归一化处理，同时记录该影像组学时间序列特征中每一个时间点的临床干预状态，得到增加了临床干预状态特征维度的处理后的影像组学时间序列特征；对实验室检验信息的时间序列特征，进行归一化处理，同时记录该时间序列特征中每一个时间点的临床干预状态，得到增加了临床干预状态特征维度的处理后的实验室检验信息时间序列特征；对疗效评估信息进行编码处理；记录异步时间序列特征每个数据点间的时间间隔和每个时间点的时间戳；

将预处理后的影像组学时间序列特征、实验室检验信息时间序列特征在时间维度进行融合降维，与预处理后的基本临床信息结构化特征进行拼接，得到总特征，对总特征进行建模，进行某时间点特征预测，得到预测结果；

结合预测结果在该时间点疗效评估信息计算损失，在训练集上训练预测模型；在验证集上，将处理后的验证集输入训练后的预测模型，得到该时间点预测结果，并与该时间点疗效评估信息对比计算并评估模型性能，使用在验证集上具有最低损失的模型作为预测模型；在测试集上，将处理后的测试集输入验证后的预测模型，得到模型的测试性能，采用与验证结果可比的模型作为预测模型。

2.根据权利要求1所述的免疫治疗疗效预测模型的训练方法，其特征在于，所述将预处理后的影像组学时间序列特征、实验室检验信息时间序列特征在时间维度进行融合降维的步骤为：（1）首先利用一个可利用反向传播算法优化的模型，将一个预处理后的异步时间序列特征作为输入转换成X₁，对于转换后的异步时间序列特征X₁，用表示其中每一个时间点的特征，用表示T个时间点中相邻时间点的时间间隔，其中c₁是异步时间序列中每一个时间点特征的维度，T表示时间序列中时间点的数量；（2）重复k次以下操作：

……

，

将 转换成 ，其中λ和β是可学习的参数，k为可调整的超参数，softmax的定义为：

，

其中n=T，x指任意的n维向量输入；（3）最后，取，再将时间序列中最后一个时间戳与目标日期的时间差拼接至X₃，得到；其他预处理后的时间序列特征通过前述步骤（1）、（2）和（3）逐一进行处理，将时间维度降至一维。

3.一种免疫治疗疗效预测系统，其特征在于，包括以下模块：

模块1：用于收集待预测某时间点疗效的对象的基本临床信息、不同时间拍摄的CT影像以及对应的专家分割标注、实验室检验信息和临床干预状态信息；

模块2：用于将上述收集到的数据集进行预处理，对基本临床信息中的类别信息进行编码处理，对连续值进行归一化处理，拼接得到基本临床信息结构化特征；对于CT影像，提取每一次CT影像中专家分割标注的影像组学时间序列特征，进行归一化处理，同时记录该影像组学时间序列特征中每一个时间点的临床干预状态，得到增加了临床干预状态特征维度的处理后的影像组学时间序列特征；对实验室检验信息的时间序列特征，进行归一化处理，同时记录该时间序列特征中每一个时间点的临床干预状态，得到增加了临床干预状态特征维度的处理后的实验室检验信息时间序列特征；记录异步时间序列特征每个数据点间的时间间隔和每个时间点的时间戳；

模块3：将模块2中预处理后的信息输入权利要求1或2所述的预测模型，对待预测对象进行某时间点疗效预测，得到疗效预测结果。