[发明专利]数字病理图像的预后量化特征的筛选方法

权利要求书

1.数字病理图像的预后量化特征的筛选方法，其特征在于，包括：

S1、获取癌症预后数字病理图像的所有形态学量化特征作为量化特征a⁽⁰⁾；

S2、依次采用Cox比例风险算法、机器学习模型和皮尔逊相关系数对量化特征a⁽⁰⁾进行筛选，得到特征向量a⁽³⁾；

S3、将特征向量a⁽³⁾与其对应的随访时间信息和随访事件信息输入Cox比例风险算法，构建Cox比例风险模型；

S4、判断Cox比例风险模型输出的特征向量a⁽³⁾中特征的p值是否小于设定阈值，若是，在特征向量a⁽³⁾中保留当前特征，否则进入步骤S5；

S5、将预设阈值增大预设值，并判断当前特征的p值是否小于更新后的设定阈值，若是，在特征向量a⁽³⁾中保留当前特征，否则将其删除；

S6、基于调整后的特征向量a⁽³⁾重复执行步骤S3至步骤S5一次，得到最终确定的特征向量a；

S7、根据特征向量a中特征输入步骤S6的Cox比例风险模型得到的特征风险系数，构建比例风险值表达式F＝d^T*H，d为所有特征风险系数构成的列向量，T为转置，H为特征向量a；

S8、对比例风险值表达式计算的特征向量a中每个特征的特征风险系数进行离散化处理，得到单个特征的评估分值；

S9、将评估分值大于截断值的特征划分至组Q，余下的划分至组N；采用组Q中对应的特征作为预后量化特征；

步骤S2进一步包括：

S21、将量化特征a⁽⁰⁾的特征逐一输入Cox比例风险算法构建Cox比例风险模型，根据Cox比例风险模型的0假设检验，挑选p值小于阈值T_p的特征，构成特征向量a⁽¹⁾；

S22、将特征向量a⁽¹⁾输入机器学习模型，得到特征向量a⁽¹⁾中每个特征的重要性分值，并挑选出重要性分值大于预设分值的特征构成特征向量a⁽²⁾；

S23、根据皮尔逊相关系数，计算特征向量a⁽²⁾中任意两个特征之间的相关性系数，筛选出相关性系数小于预设系数的特征对构成特征向量a⁽³⁾；

S24、对于相关系数大于等于预设系数的特征对，将每对中易于理解的特征更新至特征向量a⁽³⁾中，得到最终的特征向量a⁽³⁾。

2.根据权利要求1所述的数字病理图像的预后量化特征的筛选方法，其特征在于，所述机器学习模型的训练方法包括：

获取癌症预后的数字病理图像的所有形态学量化特征；

将形态学量化特征逐一输入Cox比例风险模型得到特征系数，采用特征系数小于预设阈值的形态学量化特征构成数据集I；

将数据集I划分为训练集和验证集J，且划分时同一病人对应的形态学量化特征划入同一个训练集或验证集；

采用交叉验证方法将训练集划分为训练集K和验证集L，并采用基于贝叶斯超参搜索包hyperopt训练基于生存分析的机器学习方法搜索最优化超参；

利用搜索到的最优化超参，训练得到最佳的机器学习模型。

3.根据权利要求2所述的数字病理图像的预后量化特征的筛选方法，其特征在于，所述基于生存分析的机器学习方法为XGBoost算法或随机生成森林。