申请/专利权人：江南大学附属医院

申请日：2024-02-08

公开（公告）日：2024-03-22

公开（公告）号：CN117745717A

主分类号：G06T7/00

分类号：G06T7/00;G16H20/40;G16H50/20;G16H50/50;G16H50/70;A61N5/10

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明公开了一种剂量学与深度学习特征预测放射性肺炎的方法及系统，属于疾病预测技术领域。所述方法通过经医学图像预训练的深度学习网络进行不同肺组织区域的特征提取，使用MLP算法，在内部验证结果中，优选出正常肺组织的感兴趣区域，然后结合与RP相关的剂量学特征，建立了联合剂量学特征与深度学习特征进行RP的预测模型。在外部验证集中，剂量学模型的AUC为0.583，基于深度学习特征的模型AUC为0.690，而联合两者特征后的模型AUC为0.746，经delong检验p0.05，预测准确率得到显著的提升。

主权项：1.一种放疗患者放射性肺炎的预测方法，其特征在于，所述方法包括：步骤1：收集患者的临床数据、剂量学数据、放疗前定位CT图像和放疗后半年内CT随访，按照RTOG急性RP分级标准确定RP分级，RP分级≥2级确定为症状性RP，构建训练集和验证集；步骤2：对所述放疗前定位CT图像进行正常肺组织勾画，分为Lung-PTV和PTV-GTV两种感兴趣区域ROI；步骤3：利用深度学习网络对所述两种感兴趣区域ROI分别进行特征提取，并进行特征筛选，具体包括：从所述深度学习网络中分别提取512个深度学习特征，所有特征值使用Z-score归一，均值为0，方差为1，在所述训练集中，首先采用Spearman相关分析，当两个特征的相关系数大于0.9时保留其中一个特征，然后，使用LASSO方法进行特征筛选；步骤4：基于所述步骤3筛选出的特征，利用进行五折交叉验证的MLP方法建模，得到两种ROI的DL特征影像组学模型，并且比较这两种ROI的模型内部验证性能，选择性能更佳的模型作为最终特征影像组学模型DLR；步骤5：利用DLR模型选择的DL特征，结合单因素分析筛选出临床数据、剂量学数据的特征，使用MLP方法进行建模，得到联合预测模型；步骤6：采集待预测患者的临床数据、剂量学数据、放疗前定位CT图像，利用所述DLR模型和所述联合预测模型对未来放疗后是否发生RP进行预测。

全文数据：

权利要求：

百度查询： 江南大学附属医院 一种剂量学与深度学习特征预测放射性肺炎的方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD