本发明属于疾病疗效预测模型，尤其涉及一种全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型及其构建方法和用途。
背景技术：
1、影像组学是人工智能图像识别与医学影像技术相结合产生的新兴领域，通过一系列标准化的定量计算方法，从医学图像中提取具有生物学意义的高通量组学数据，然后经过适当的特征筛选和机器学习，这些图像生物标记物即可反映疾病的潜在差异和复杂性。影像组学技术旨在通过识别图像提取定量特征寻找有价值的生物标记物，对许多疾病疗效转归的预测极具潜力。
2、在对肺癌脑转移瘤的研究中，研究者们往往致力于运用影像组学预测立体定向放射外科的疗效，而在临床实践中，许多多发脑转移患者需要接受全脑放疗(wbrt)，而且经常需要同时联合替莫唑胺(化疗药物)进行同步治疗以提高局部控制率，然而，涉及预测全脑放疗(wbrt)治疗效果的研究却非常少见，针对全脑放疗联合替莫唑胺治疗肺癌脑转移患者疗效预测的影像组学模型和预测方法则仍是空白。
技术实现思路
1、为了填补现有技术的上述空白，实现对全脑放疗联合替莫唑胺治疗肺癌脑转移患者疗效的精准预测，本发明提出了一种全新的全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型，本疗效预测模型将人工智能图像识别与医学影像技术相结合，可用于预测肺癌脑转移瘤对全脑放疗联合替莫唑胺治疗的响应及疗效，有助于实现患者个体化精准治疗，优化肺癌脑转移的治疗决策，提高疗效的同时避免医疗资源浪费。
2、具体而言，本发明提供了一种全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型，本疗效预测模型为基于3个影像组学特征构建的列线图模型，列线图模型式为：
3、0.255307943+lbp_3d_m2_glszm_smallareaemphasis*1.032080456+log_sig ma_1_0_mm_3d_glcm_jointentropy*0.673541304+wavelet_hhh_glszm_highgraylevelzoneemphasis*0.163653242。
4、进一步地，本发明提供了上述全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法，包括下述步骤：
5、(1)按照标准放疗实施流程，进行增强定位全颅ct扫描，根据ct扫描结果制定wbrt治疗计划；
6、(2)通过eclipse系统和aria网络工作站导出dicom格式的全颅ct图像文件和rt-structure文件，然后使用onekeyai(www.medai.icu/)平台将dicom文件和rt-structure文件解析和转换为nifti格式的定位ct图像和对应的放疗靶区；
7、(3)进行图像预处理和图像增强；
8、(4)利用pyradiomics[3.0.1]python包对预处理和增强后的图像进行影像组学特征提取(所有特征定义均符合图像生物标记物标准化倡议(ibsi))；
9、(5)将所有提取到的影像组学特征标准化为标准正态分布，然后进行特征筛选，并基于筛选获得的影像组学特征构建出疗效预测模型。
10、进一步地，本发明全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法，在疗效预测模型构建过程中采用全脑解剖结构范围定义的感性兴趣区域(roi)，最终的roi使用3dslicer[5.1.0]软件查阅和手动修正。
11、进一步地，本发明全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法中第(3)步进行图像预处理和图像增强，所述的图像预处理是使用pyradiomics[3.0.1]python包来完成的；所述的图像预处理包括图像标准化为0-1000hu和图像空间重采样为统一的体素大小(3mm x 3mm x3mm)。
12、优选地，本发明全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法中第(3)步进行图像预处理和图像增强，所述的图像增强包括运用过滤器增强图像和运用数学变换增强图像，其中：
13、所述过滤器包括：高斯拉普拉斯(log)过滤器、小波变换(wavelet)过滤器、局部二值模式(lbp3d)过滤器；
14、所述数学变换包括：指数变换、平方变换、平方根变换、对数变换。
15、进一步地，本发明全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法中第(4)步对预处理和增强后的图像进行影像组学特征提取，提取的影像组学特征包括形状特征(shape)、一阶统计特征(first order statistics)和纹理特征(texture)。
16、进一步地，本发明全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法中提取的纹理特征包括灰度共生矩阵(glcm)、灰度等级依赖矩阵(gldm)、灰度程度共现矩阵(glrlm)、灰度大小区域矩阵(glszm)和邻域灰度差异矩阵(ngtdm)。
17、进一步地，本发明全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法中第(5)步对提取到的影像组学特征进行特征筛选，包括下述步骤：
18、(a)使用t检验进行统计分析，仅保留p＜0.01的特征，从而找到有响应组和无响应组之间差异最显著的特征；
19、(b)使用皮尔逊相关性系数和贪婪递归消除法，随机去掉任意两个相关系数大于0.9的特征之一，每次剔除掉当前特征中10个冗余度最大的特征；
20、(c)构建lasso回归模型，通过最小准则的10倍交叉验证计算均方误差(mse)最小时的lambda参数，最后得到lasso模型中的3个非零系数特征；
21、(d)基于上步得到的3个非零系数特征，运用基于逻辑回归算法的列线图构建出影像组学疗效预测模型。
22、最后，本发明还涉及上述全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型在制备全脑放疗联合替莫唑胺治疗肺癌脑转移的疗效预测装置中的应用。
23、综上，本发明提供了一种全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型及其构建方法，本疗效预测模型将人工智能图像识别与医学影像技术相结合，实现了对全脑放疗联合替莫唑胺治疗肺癌脑转移患者疗效的精准预测，可用于预测肺癌脑转移瘤对全脑放疗联合替莫唑胺治疗的响应及疗效，有助于实现患者个体化精准治疗，优化肺癌脑转移的治疗决策，提高疗效的同时避免医疗资源浪费，本模型在肿瘤疗效预测领域具有较为广阔的应用前景。
1.一种全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型，其特征在于，所述疗效预测模型为基于3个影像组学特征构建的列线图模型，列线图模型式为：
2.根据权利要求1所述的全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法，其特征在于，包括下述步骤：
3.根据权利要求2所述的全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法，其特征在于，所述疗效预测模型构建过程中采用全脑解剖结构范围定义的感性兴趣区域，最终的roi使用3dslicer软件查阅和手动修正。
4.根据权利要求2所述的全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法，其特征在于，所述疗效预测模型构建方法中第(3)步进行图像预处理和图像增强，所述的图像预处理是使用pyradiomics python包来完成的；所述的图像预处理包括图像标准化为0-1000hu和图像空间重采样为统一的体素大小。
5.根据权利要求2所述的全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法，其特征在于，所述疗效预测模型构建方法中第(3)步进行图像预处理和图像增强，所述的图像增强包括运用过滤器增强图像和运用数学变换增强图像，其中：
6.根据权利要求2所述的全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法，其特征在于，所述疗效预测模型构建方法中第(4)步对预处理和增强后的图像进行影像组学特征提取，提取的影像组学特征包括形状特征、一阶统计特征和纹理特征。
7.根据权利要求6所述的全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法，其特征在于，所述的纹理特征包括灰度共生矩阵、灰度等级依赖矩阵、灰度程度共现矩阵、灰度大小区域矩阵和邻域灰度差异矩阵。
8.根据权利要求2所述的全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型的构建方法，其特征在于，所述疗效预测模型构建方法中第(5)步对提取到的影像组学特征进行特征筛选，包括下述步骤：
9.根据权利要求1所述的全脑放疗联合替莫唑胺治疗肺癌脑转移的影像组学疗效预测模型在制备全脑放疗联合替莫唑胺治疗肺癌脑转移的疗效预测装置中的应用。
