本发明涉及医学人工智能，尤其是基于临床数据和影像组学特征的食管瘘风险预测方法。
背景技术：
1、食管癌是全球最普遍最致命的恶性肿瘤之一，对肿瘤学领域构成严峻挑战。对于不可切除的晚期食管癌患者，积极放疗或放化疗可以显著改善其预后。然而，食管瘘作为食管和邻近解剖结构之间形成的病理连接，常见于肿瘤治疗后，由于肿瘤细胞死亡和正常组织修复不平衡导致的食管壁破裂或穿孔引起的，是最严重的并发症之一。食管瘘的发生极大增加了患者的其他并发症风险，如感染、营养不良等。在接受放化疗的食管癌患者中，瘘管的发生率介于5.3％至24.1％之间。在未发生食管瘘的晚期食管癌患者中，其平均生存期为11个月；然而，一旦食管瘘发生，平均生存期则缩短至3.63个月，显示出严峻的预后状况和较低的存活率，因此迫切需要早期预测并采取积极的干预措施。但根据食管瘘患者的临床症状和影像学诊断，只能在症状显现后确认食管瘘的存在，这凸显了开发预测模型以早期识别高风险患者的迫切需求。
2、既往调查显示，多种临床因素与食管瘘关联，包括人口统计学特征、生理指标、病史、病理标志物和既往治疗方法。近年来，影像组学作为各种医疗条件的宝贵工具已应用于预测食管瘘。深度学习技术进一步丰富了影像组学的前景，具有强大的图像分析能力，提供了全新的特征提取方法。
3、虽然现有技术中，
4、zhu等人提出的development and validation of a prognostic nomogram formalignant esophageal fistula based on radiomics and clinical factors.thoraciccancer2021,12(23):3110-3120，开发了一种结合影像组学(pyradiomics)和临床因素的影像组学图来评估食管癌瘘后生存，但不能预测治疗前食管癌瘘的发生，不能实现早期干预。
5、shi等人提出的quantitative ct analysis to predict esophageal fistulainpatients with advanced esophageal cancer treated by chemotherapy orchemoradiotherapy.cancer imaging:the official publication ofthe internationalcancer imaging society2022,22(1):62，采用临床因素和人工提取影像组学定量指标预测食管瘘的发生，但是需要大量的人工工作。
6、li等人提出的clinical-radiomics nomogram for risk prediction ofesophageal fistula in patients with esophageal squamous cell carcinomatreatedby imrt or vmat.international journal ofradiation oncology,biology,physics2023,1172s:e315，研究了接受调强放疗(imrt)或体积调制弧线治疗(vmat)患者的食管瘘预测因素，并建立了临床影像组学列线图，但并非是针对基于深度学习衍生特征的食管瘘预测。
7、最近，zhu等人提出的pre-treatment ct radiomics and clinical factorspredict malignant esophageal fistula in patients with esophageal cancer.in.:research square；2023，开发了一种基于logistic回归和pyradiomics影像组学特征的食管瘘预测模型，但该方法仅限于一个测试队列，没有考虑深度学习方面。
技术实现思路
1、为了克服上述现有技术中的缺陷，本发明提供基于临床数据和影像组学特征的食管瘘风险预测方法，提高食管癌患者在接受放疗或放化疗后食管瘘风险预测的准确性。
2、为实现上述目的，本发明采用以下技术方案，包括：
3、基于临床数据和影像组学特征的食管瘘风险预测方法，包括以下步骤：
4、s1，数据采集，包括临床数据和影像数据的采集；
5、s2，对影像数据即ct图像进行图像分割和预处理，分割出食管癌肿瘤区域，以及将ct图像的体素大小标准化；
6、s3，对预处理后的影像数据和临床数据进行特征提取；其中，对影像数据的特征提取包括利用深度学习模型提取的深度学习影像组学特征和影像组学特征提取器提取的手动制作影像组学特征；
7、s4，对临床特征、深度学习影像组学特征、手动制作影像组学特征进行特征选择，并对所选择出的临床特征、深度学习影像组学特征、手动制作影像组学特征进行组合，得到由临床特征构成的第一样本集、由深度学习影像组学特征构成的第三样本集、由手动制作影像组学特征构成的第二样本集、由临床特征和深度学习影像组学特征构成的第四样本集、由临床特征和手动制作影像组学特征构成的第五样本集；
8、s5，分别构建五个预测模型，分别利用五个样本集对五个预测模型进行训练，用于食管瘘风险预测，得到由第一样本集训练生成的临床模型、由第二样本集训练生成的深度学习影像组学模型、由第三样本集训练生成的手动制作影像组学模型、由第四样本集训练生成的临床-深度学习影像组学模型、由第五样本集训练生成的临床-手动制作影像组学模型；
9、s6，对五个预测模型进行性能评价，选择性能最好的预测模型作为最终的食管瘘风险预测模型，利用最终的食管瘘风险预测模型进行食管瘘风险预测。
10、优选的，步骤s2中，基于三线性插值的重采样技术对ct图像进行预处理，将体素大小标准化为统一值，具体如下所示：
11、s21，根据原始体素中心的坐标(x,y,z)，计算新体素中心的坐标(x',y',z')，使用公式其中，sx，sy，sz为原始体素大小，s'x，s'y，s'z为新体素大小；
12、s22，通过取整计算原始体素中心的整数坐标(i,j,k)，并计算相对距离dx＝x'-i，dy＝y'-j，dz＝z'-k；
13、s23，根据相对距离计算新体素中心相对于新体素中心周围八个原始体素的权重分别为：wmnp＝(1-m+(-1)m×dx)×(1-n+(-1)n×dy)×(1-p+(-1)p×dz)，其中，m,n,p的取值为0或1；
14、s24，通过加权求和得到新体素中心的ct值，其中，v(i+m,j+n,k+p)为原始体素的ct值；
15、s25，按照上述步骤s21-s25的方式，分别计算各个新体素中心的ct值，完成ct图像的重采样；
16、s26，在重采样后，对ct图像的感兴趣区域即食管癌肿瘤区域内的ct值进行归一化，将ct值归一化到0到1的范围内，归一化公式为：p＝其中，h为原始ct值，p为归一化后的值，w为感兴趣区域内灰度范围的大小，c为感兴趣区域内灰度范围的中心值。
17、优选的，步骤s3中，构建基于三维卷积自编码器的深度学习模型，用于从ct图像中提取深度学习影像组学特征；所述深度学习模型包括编码器和解码器，通过adam优化器进行优化，使用输入图像与重构图像之间的均方误差作为损失函数，并采用结构相似性指数评估重构图像的感知质量，训练过程中结合modelcheckpoint和earlystopping机制，并采用四折交叉验证策略；
18、对ct图像的食管癌肿瘤区域使用影像组学特征提取器pyradiomics提取的手动制作影像组学特征。
19、优选的，步骤s3中，将预处理后的ct图像作为原始图像，对原始图像分别进行小波变换、log变换、平方变换、平方根变换、对数变换、指数变换及梯度变换处理，并得到七种变换处理后的七个变换图像；利用深度学习模型分别提取原始图像和七个变换图像的深度学习影像组学特征；利用影像组学特征提取器分别提取原始图像和七个变换图像的深度学习影像组学特征。
20、优选的，步骤s4中，采用三阶段的特征选择方法进行特征选择，具体如下所示：
21、s41，采用统计分析方法筛选出具有显著性的特征，统计分析方法包括shapiro-wilk检验、student's t检验、mann-whitney u检验、卡方检验和fisher精确检验；
22、s42，使用lasso方法进一步筛选出符合标准化要求的特征；
23、s43，通过递归特征消除方法逐步移除影响最小的特征。
24、优选的，步骤s5中，性能评价指标包括roc曲线下的面积(auc)、brier评分、准确性(acc)、f1评分、敏感性、特异性、阳性预测值ppv和阴性预测值npv。
25、优选的，选择临床-深度学习影像组学模型作为最终的食管瘘风险预测模型，临床-深度学习影像组学模型所选的输入特征包括6个，分别为：1个临床特征即再程放疗、对小波变换图像进行特征提取得到的3个深度学习影像组学特征、对指数变换图像进行特征提取得到的1个深度学习影像组学特征、对梯度变换图像进行特征提取得到的1个深度学习影像组学特征。
26、一种可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的基于临床数据和影像组学特征的食管瘘风险预测方法。
27、一种电子设备，其包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于临床数据和影像组学特征的食管瘘风险预测方法。
28、一种计算机程序产品，其包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述的基于临床数据和影像组学特征的食管瘘风险预测方法。
29、本发明的优点在于：
30、(1)本发明旨在解决的技术问题是提高食管癌患者在接受放疗或放化疗后食管瘘风险预测的准确性，通过集成手动制作影像组学特征、深度学习影像组学特征以及临床特征，开发了一种更强大、更全面的工具，以有效识别高危患者，促进及时的早期干预，从而改善患者的预后。
31、(2)本发明立足于临床实际需求，将患者的临床数据与影像数据相结合，输入到机器学习模型中，从而有效地预测食管癌放疗/放化疗患者是否罹患食管瘘。这一模型为肿瘤患者的精准治疗提供了有力的支持，有助于制定个性化的治疗方案，减少治疗风险。
32、(3)本发明通过一系列的影像数据处理，包括采集、体积分割和影像预处理技术，确保了数据在不同阶段的处理和分析中的一致性，为后续特征提取和模型构建奠定了坚实的基础。
33、(4)本发明结合深度学习与传统影像组学方法，通过多种图像处理技术(如小波变换、log变换等)提取丰富的影像组学特征，并通过多阶段的特征选择策略(包括统计分析、lasso和递归特征消除)确保了模型的泛化能力和鲁棒性。这使得模型在临床应用中能够保持较高的准确性和稳定性。
34、(5)本发明开发了多个基于不同特征组合的预测模型，包括临床特征模型、手动制作影像组学模型、深度学习影像组学模型以及混合模型。通过交叉验证和模型优化，确保每个模型在临床预测中的高效性。对模型的性能进行全面比较，有助于选择最适合临床应用的预测模型，进一步提高预测的准确性和可靠性。
35、(6)本发明方法不仅适用于食管癌的治疗效果预测，还可以扩展应用于其他类型的肿瘤放射治疗。这种通用性使得该技术在实际临床应用中具有较高的推广价值，能够为更多患者的精准治疗提供支持。
36、(7)食管瘘作为局部晚期食管癌放疗或放化疗中一种破坏性甚至危及生命的并发症，在临床实践中仍难以预测。本发明根据临床和影像组学特征建立预测模型，提供了一种高效、精准的预测方法，为食管癌患者的治疗决策提供了有力依据，并具有广泛的临床应用前景。
1.基于临床数据和影像组学特征的食管瘘风险预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于临床数据和影像组学特征的食管瘘风险预测方法，其特征在于，步骤s2中，基于三线性插值的重采样技术对ct图像进行预处理，将体素大小标准化为统一值，具体如下所示：
3.根据权利要求1所述的基于临床数据和影像组学特征的食管瘘风险预测方法，其特征在于，步骤s3中，构建基于三维卷积自编码器的深度学习模型，用于从ct图像中提取深度学习影像组学特征；所述深度学习模型包括编码器和解码器，通过adam优化器进行优化，使用输入图像与重构图像之间的均方误差作为损失函数，并采用结构相似性指数评估重构图像的感知质量，训练过程中结合modelcheckpoint和earlystopping机制，并采用四折交叉验证策略；
4.根据权利要求1所述的基于临床数据和影像组学特征的食管瘘风险预测方法，其特征在于，步骤s3中，将预处理后的ct图像作为原始图像，对原始图像分别进行小波变换、log变换、平方变换、平方根变换、对数变换、指数变换及梯度变换处理，并得到七种变换处理后的七个变换图像；利用深度学习模型分别提取原始图像和七个变换图像的深度学习影像组学特征；利用影像组学特征提取器分别提取原始图像和七个变换图像的深度学习影像组学特征。
5.根据权利要求1所述的基于临床数据和影像组学特征的食管瘘风险预测方法，其特征在于，步骤s4中，采用三阶段的特征选择方法进行特征选择，具体如下所示：
6.根据权利要求1所述的基于临床数据和影像组学特征的食管瘘风险预测方法，其特征在于，步骤s5中，性能评价指标包括roc曲线下的面积(auc)、brier评分、准确性(acc)、f1评分、敏感性、特异性、阳性预测值ppv和阴性预测值npv。
7.根据权利要求4所述的基于临床数据和影像组学特征的食管瘘风险预测方法，其特征在于，选择临床-深度学习影像组学模型作为最终的食管瘘风险预测模型，临床-深度学习影像组学模型所选的输入特征包括6个，分别为：1个临床特征即再程放疗、对小波变换图像进行特征提取得到的3个深度学习影像组学特征、对指数变换图像进行特征提取得到的1个深度学习影像组学特征、对梯度变换图像进行特征提取得到的1个深度学习影像组学特征。
8.一种可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现权利要求1～7任一所述的基于临床数据和影像组学特征的食管瘘风险预测方法。
9.一种电子设备，其特征在于，其包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于临床数据和影像组学特征的食管瘘风险预测方法。
10.一种计算机程序产品，其特征在于，其包括计算机程序/指令，该计算机程序/指令被处理器执行时实现权利要求1～7任一所述的基于临床数据和影像组学特征的食管瘘风险预测方法。
