[发明专利]乳腺癌新辅助化疗后病理学完全缓解概率预测方法及系统

权利要求书

1.一种乳腺癌新辅助化疗后病理学完全缓解概率预测方法，其特征在于，该方法包括以下步骤：

S1.收集患者信息，形成训练集；

S2.在S1形成的训练集中，通过多因素回归分析筛选出与临床病理状态相关的独立预测因子；

S3.将于S2获得的与临床病理状态相关的独立预测因子构建成列线图模型，同时获得纳入列线图模型的各个独立预测因子的权重得分；

S4.通过列线图模型分析获得乳腺癌新辅助化疗后病理学完全缓解的概率预测值。

2.一种乳腺癌新辅助化疗后病理学完全缓解概率预测模型的构建方法，其特征在于，该构建方法包括以下步骤：

S1，收集患者信息，形成训练集；

S2，在S1形成的训练集中，通过多因素回归分析筛选出与临床病理状态相关的独立预测因子；

S3，将S2获得的与临床病理状态相关的独立预测因子构建成列线图模型，同时获得纳入列线图模型的各个独立预测因子的权重得分；

S4，通过列线图模型分析获得乳腺癌新辅助化疗后病理学完全缓解的阈值概率的净收益，以评估该预测模型的临床效用。

3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤S1-S4：

S1.收集患者信息，形成训练集；

S2.在S1形成的训练集中，通过多因素回归分析筛选出与临床病理状态相关的独立预测因子；

S3.将于S2获得的与临床病理状态相关的独立预测因子构建成列线图模型，同时获得纳入列线图模型的各个独立预测因子的权重得分；

S4.通过列线图模型分析获得乳腺癌新辅助化疗后病理学完全缓解的概率预测值。

4.根据前述任一项所述的预测方法或构建方法或计算机可读存储介质，其特征在于，于S1中，所述患者信息为需进行新辅助化疗的激素受体阳性型乳腺癌患者信息；优选地，所述激素受体阳性型乳腺癌患者信息包括人口学特征信息、临床病理特征信息、术前乳腺癌穿刺标本的10-miRNA风险分值和定量动态对比增强MRI影像学特征信息基础信息。

5.根据前述任一项所述的预测方法或构建方法或计算机可读存储介质，其特征在于，于S2中，通过相关性分析获得新辅助化疗诱导的病理学完全缓解的影响因素，并在训练集中通过多因素回归分析筛选出与临床病理状态相关的独立预测因子；和/或，步骤S2还包括将训练集中患者术后病理结果分为病理学完全缓解组和非病理学完全缓解组。

6.根据前述任一项所述的预测方法或构建方法或计算机可读存储介质，其特征在于，于S3中，所述列线图模型的独立预测因子包括四个信息变量，分别为10-miRNA风险分值、孕激素受体水平、人表皮生长因子受体-2状态、容量转移常数。

7.根据前述任一项所述的预测方法或构建方法或计算机可读存储介质，其特征在于，于S3与S4之间还包括：

S31，对S3构建的列线图模型进行内部验证及外部验证，通过校准曲线与一致性指数的方式确定列线图模型的预测精度和判别能力。

8.根据权利要求6所述的预测方法或构建方法或计算机可读存储介质，其特征在于，S4包括以下步骤：

S41，获取列线图模型的四个信息变量的总分值；所述总分值评分公式为：总分值＝孕激素受体水平分值+人表皮生长因子受体-2状态分值+10-miRNA风险分值+容量转移常数；

S42，根据所述总分值计算所述乳腺癌患者新辅助化疗后获得病理学完全缓解的概率预测值。

9.根据前述任一项所述的预测方法或构建方法或计算机可读存储介质，其特征在于，S4还包括以下步骤：

S43，将总分值与高获益组截断值进行数值对比，从而将患者划分为高获益组及获得低获益组，并根据概率预测值对高获益组及获得低获益组的患者判断是否建议患者进行新辅助化疗。