[发明专利]一种基于机器学习算法的用于预测CRC转移的影像组学（RA）模型

权利要求书

1.一种基于机器学习算法的用于预测CRC转移的影像组学(RA)模型，其特征在于，所述模型的计算公式如下：

RA core＝7.069e-01+3.723*wavelet_HHH_glszm_LowGrayLevelZoneEmphasis+2.593e-01*original_firstorder_Median-2.759e-01*wavelet_HHH_glszm_GrayLevelNonUniformityNormalized-5.711e-01*original_firstorder_90Percentile-1.971e+00*wavelet_HHH_glszm_SizeZoneNonUniformityNormalized+1.169*wavelet_HHH_glszm_GrayLevelVariance+3.480e-01*original_firstorder_10Percentile-5.645e-03*wavelet_HHH_glszm_SizeZoneNonUniformity+8.628e-01*original_firstorder_InterquartileRange+1.758e-02*wavelet_HHH_glszm_GrayLevelNonUniformity-6.953e-01*wavelet_HHH_glszm_HighGrayLevelZoneEmphasis+1.312e-01*wavelet_HHH_glszm_ZoneEntropy-5.987e+05*diagnostics_Mask_corrected_Maximumoriginal_firstorder_Range+5.987e+05*diagnostics_Mask_corrected_Minimum-9.221e-06*wavelet_LLL_glszm_LargeAreaLowGraylevelEmphasis+3.474e05*wavelet_LLH_glszm_LargeAreaLowGraylevelEmphasis-4.341e+01*wavelet_HHH_ngtdm_Contrast+1.969e-01*wavelet_LLL_firstorder_Skewness；

上述的计算结果RA score＞-3.035时，即表示患者的CRC肿瘤转移的风险比较高。

2.根据权利要求1所述的一种基于机器学习算法的用于预测CRC转移的影像组学(RA)模型，其特征在于，上述的影像组学模型包含有19个影像特征。

3.一种基于机器学习算法用于预测CRC转移的影像组学(RA)模型的建立方法，其特征在于，权利要求1或权利要求2的影像组模型的建立的步骤如下：

(1)收集整理CRC患者的信息，建立DZCH 1训练队列和DZCH 2独立验证队列信息数据库；

(2)收集DZCH 1队列的病患的CT扫描图像信息，并对图像进行分割和图像特征提取；收集DZCH 1队列患者的肿瘤组织，并对其进行转录组测序与分析；

(3)采用遗传算法(GAs)筛选出50个影像组及转录组学特征，采用其中的15个Top基因和4个影像组特征来构建能够预测CRC患者转移的影像转录组(RT)模型，并利用DZCH 2独立验证队列来验证影像转录组(RT)模型的性能；

(4)从TCGA数据库中下载CRC患者的转录组数据，利用其验证步骤(2)所建立的RT模型中的基因，筛选出IL26基因作为预测CRC转移的生物标志物；

(5)收集整理CRC患者的信息，建立DZCH 3队列，基于IL26基因生物功能分析，利用DZCH3队列构建IL26与影像组学的生物学联系；然后利用逐步回归分析的方法，筛选出与IL26表达密切相关15个影像组学特征；

(6)将步骤(3)筛选出的4个影像组学特征与步骤(5)筛选出的15个影像组学进行结合，构建包含有19个影像特征的能够对CRC转移进行预测的模型。

4.根据权利要求3所述的一种基于机器学习算法的用于预测CRC转移的影像组学模型的建立方法，其特征在于，其还包括对步骤(6)构建的模型进行验证。