[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

说明书

本发明公开了一种基于机器学习算法的用于预测CRC转移的影像组学(RA)模型及建立方法，本发明通过收集整理CRC病患的信息，将其划分、构建成不同的队列，通过对患者CT扫描图像分析进行分割和图像特征提取，并对肿瘤组织进行转录组测序及分析，采用了遗传算法(GAs)筛选的影像组及转录组学特进行构建影像转录组(RT)模型并进行验证；采用逐步回归分析的方法，筛选出与IL26表达密切相关15个影像特征；最终将转录组学与影像组学进行整合，构建了一个只包括19个影像特征的影像组学(RA)模型本发明的影像组学(RA)模型将转录组学与影像组学进行结合，其为CRC的转移的预测提供一种新的、准确度高的诊断方法，且其具有无创，易应用的优势。

技术领域

本发明涉及医学辅助诊断系统领域，尤其涉及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。

背景技术

结直肠癌(colorectal cancer，CRC)是第三常见癌症，约占全球已诊断癌症的10.9％和癌症相关死亡的9.0％。据统计，2018年全球新增确诊CRC病例185万人，死亡病例88.32万人。在初次诊断时，约25％的CRC患者有转移，近50％的患者会发展为转移，转移是晚期癌症患者死亡的重要原因之一。转移性结直肠癌(mCRC)5年生存率仅为8.1％。因此，早期发现和预测转移潜能有助于制定更有效的CRC治疗策略。

为了解决这一问题，相关的研究人员及技术人员在研究用于临床鉴定的分子标记方面已经做出了大量努力，例如，原发肿瘤的基因表达特征可以预测转移。然而，到目前为止，相关的标志物的临床应用仍然受到限制。

而影像学技术：包括计算机断层摄影(CT)、磁共振成像(MRI)或超声，其通常用于诊断和确认转移性结直肠癌。近年来，随着模式识别工具的快速发展，影像组学也随之受到了越来越多的关注。影像组学是一种通过提取高通量定量特征将医学图像转换为统计数据的过程。通过对这些特征的分析，影像组学已被用于预测乳腺癌的恶性程度、宫颈癌的新辅助化疗反应和乳腺癌腋窝淋巴结转移。特别是影像组学结合病理因素已被用于预测CRC的区域淋巴结转移。

此外，先前的研究表明，影像组学与基因或蛋白具有潜在的生物学联系。MRI影像特征可预测肺腺癌患者O₆-甲基鸟嘌呤DNA甲基转移酶的损伤状态，CT图像特征与肺腺癌患者表皮因子受体的突变能力有关。并且在临床医学研究中引入机器学习算法后，使得跨尺度整合多组学信息以构建预后分类和预测模型，并用来指导临床制定更有效的治疗策略成为可能。并且近年来，结合多种要素的CRC预测模型的准确性达到了较好的结果，多维联合分析具有更强的说服力。但在目前的CRC临床研究中，综合分析患者的基因信息和影像组学特征的报道却极其少见。

发明内容

基于以上背景，本发明通过探索CRC转移患者与非转移患者肿瘤的异质性，并基于机器学习算法来将转录组学与影像组学数据进行整合，提供了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。

本发明的技术方案为：

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，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*