[发明专利]数字病理图像的预后量化特征的筛选方法

说明书

本发明公开了一种数字病理图像的预后量化特征的筛选方法，其包括获取量化特征a⁽⁰⁾；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⁾；采用特征向量a⁽³⁾构建Cox比例风险模型，并采用Cox比例风险模型更新特征向量a⁽³⁾，再执行该步骤一次，之后将再次更新得到的特征向量a⁽³⁾输入Cox比例风险模型，输出特征风险系数，计算比例风险值。对特征向量a中每个特征对应的风险系数进行离散化处理，得到每个特征的风险评估分值；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。

技术领域

本发明涉及医疗图像提取技术，具体涉及数字病理图像的预后量化特征的筛选方法。

背景技术

癌的发生发展是癌细胞与肿瘤微环境相互作用的结果，肿瘤间质中细胞种类、数量或形态的改变，具有重要医学指导意义。例如，乳腺癌中的淋巴细胞浸润者一般预后较好，而肿瘤相关纤维细胞的出现，则提示预后不良。在常规病理工作中，一般定性描述肿瘤间质中细胞成分和细胞外基质的变化。而基于数字病理图像分析，可自动分割间质中的不同成分，并进行定量或定性研究。

在定量研究上，利用病理图像的形态学量化特征测定，研究者发现细胞核在低核面积与高核面积患者之间的预后存在显著性差异。为提取乳腺癌上皮细胞和基质(6642个特征)中丰富的定量特征集，斯坦福大学的研究者开发了C-Path系统(ComputationalPathologist)，用于测量包括图像对象的标准形态描述符和更高级别的上下文、关系和全局图像特征。

目前医学研究者在对患者预后数字病理图像进行分析时，只需要对与肿瘤复发密切相关的形态学量化特征进行分析，寻找肿瘤复发的病因；但是目前医学研究者从公开数据库中下载的数据集，往往包括所有的形态学量化特征，数据量比较大，若采用人工去寻找与肿瘤复发密切相关的形态学量化特征，并将其从公开数据库中筛选出，研究者的工作量非常大，且人工识别时，由于浏览大量的信息量会产生视觉疲劳，识别的准确性难以保证。

发明内容

针对现有技术中的上述不足，本发明提供的数字病理图像的预后量化特征的筛选方法能够快速筛选出与肿瘤复发密切相关的形态学量化特征。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种数字病理图像的预后量化特征的筛选方法，其包括：

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；