自发性脑出血复发检测模型的构建方法

1.本技术涉及医疗防护技术领域，特别是涉及一种自发性脑出血复发检测模型的构建方法。


背景技术：

2.自发性脑出血(ich)是最具破坏性的中风形式，是各种中风类型中最严重和最难以治疗的中风形式。幸存者有一定的复发机会，通常比第一次脑出血更严重、更致命。此外，复发性脑出血的位置可能与首次出血位置不同，从而加大脑损伤的范围，对幸存者生存质量产生更加不利的影响。目前尚难以定量预测自发性脑出血复发的风险，个体的复发风险根据潜在的发病机制、人口统计学和整体临床情况而存在很大差异。所以目前尚无可靠的生物标志物及对应的复发监测方法能够预测自发性脑出血待测者罹患复发性脑出血。为此，本技术提出一种自发性脑出血复发检测模型的构建方法。


技术实现要素：

3.基于此，有必要针对目前尚无可靠的生物标志物及对应的复发监测方法能够预测自发性脑出血待测者罹患复发性脑出血的现状，提供一种自发性脑出血复发检测模型的构建方法。
4.本技术提供一种自发性脑出血复发检测模型的构建方法，包括：
5.获取多名自发性脑出血确诊待测者出现症状6小时内基线临床数据和影像图片；
6.对每一名自发性脑出血确诊待测者出现症状6小时内的影像图片进行图像分析，获得与复发性脑出血相关的影像组学特征；
7.对每一名自发性脑出血确诊待测者出现症状6小时内的基线临床数据分析，获得与复发性脑出血相关的临床独立预测因子；
8.利用与复发性脑出血相关的影像组学特征构建影像组学标志物模型，利用与复发性脑出血相关的临床独立预测因子构建基线临床数据标志物模型；
9.采用logistics回归模型作为自发性脑出血复发检测模型的框架，生成检验前的自发性脑出血复发检测模型；在生成检验前的自发性脑出血复发检测模型过程中，将临床独立预测因子和基线临床数据标志物模型导入logistics回归模型；
10.利用delong检验比较不同标志物对自发性脑出血复发检测模型的预测效能差异，依据不同标志物对自发性脑出血复发检测模型的预测效能差异对检验前的自发性脑出血复发检测模型进行调整；
11.对调整后的自发性脑出血复发检测模型进行预测效能检验，若预测效能检验通过，生成自发性脑出血复发检测模型。
12.本技术涉及一种自发性脑出血复发检测模型的构建方法，通过获取多名自发性脑出血确诊待测者出现症状6小时内基线临床数据、影像图片。对基线临床数据提取与复发性脑出血相关的临床独立预测因子，并利用临床独立预测因子构建基线临床数据标志物模
型。对影像图片提取与复发性脑出血相关的影像组学特征，并利用影像组学特征构建影像组学标志物模型。将临床独立预测因子和基线临床数据标志物模型导入logistics回归模型并检测改模型，生成自发性脑出血复发检测模型。自发性脑出血复发检测模型具有较高的预测准确度，能够辅助临床医生提前筛查高复发性风险的受测者，及早给予针对性治疗，有助于降低受测者后期复发性风险。
附图说明
13.构成本技术的一部分的附图用来提供对本技术的进一步理解，使得本技术的其它特征、目的和优点变得更明显。本技术的示意性实施例附图及其说明用于解释本技术，并不构成对本技术的不当限定。
14.图1为本技术一实施例提供的一种自发性脑出血复发检测模型的构建方法的流程图。
具体实施方式
15.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
16.本技术提供一种自发性脑出血复发检测模型的构建方法。
17.如图1所示，在本技术的一实施例中，一种自发性脑出血复发检测模型的构建方法，包括：
18.s100，获取多名自发性脑出血确诊待测者出现症状6小时内基线临床数据和影像图片。
19.s200，对每一名自发性脑出血确诊待测者出现症状6小时内的影像图片进行图像分析，获得与复发性脑出血相关的影像组学特征。
20.s300，对每一名自发性脑出血确诊待测者出现症状6小时内的基线临床数据分析，获得与复发性脑出血相关的临床独立预测因子。
21.s400，利用与复发性脑出血相关的影像组学特征构建影像组学标志物模型，利用与复发性脑出血相关的临床独立预测因子构建基线临床数据标志物模型。
22.s500，采用logistics回归模型作为自发性脑出血复发检测模型的框架，生成检验前的自发性脑出血复发检测模型；在生成检验前的自发性脑出血复发检测模型过程中，将临床独立预测因子和基线临床数据标志物模型导入logistics回归模型。
23.s600，利用delong检验比较不同标志物对自发性脑出血复发检测模型的预测效能差异，依据不同标志物对自发性脑出血复发检测模型的预测效能差异对检验前的自发性脑出血复发检测模型进行调整。
24.s700，对调整后的自发性脑出血复发检测模型进行预测效能检验，若预测效能检验通过，生成自发性脑出血复发检测模型。
25.具体的，影像组学是一种计算机辅助新技术，以客观、可重现、高通量的方式从生物医学图像中提取定量特征(如形状、强度、纹理特征)。自发性脑出血的病理生理学改变会通过数字医学图像表现出来，影像组学可以通过定量分析，从图像中提取影像组学特征。本
申请采用利用多组医学图像从计算机断层显像(computed tomography，ct)图像中分割首次脑出血病灶作为标记域，从标记域中提取大量影像组学生物特征信息。分析标记域对与复发性脑出血高度相关的影像组学特征进行分析，并建立影像组学标志物模型。
26.基线临床数据，则采用多变量logistic回归筛选。
27.本实施例涉及一种自发性脑出血复发检测模型的构建方法，通过获取多名自发性脑出血确诊待测者出现症状6小时内基线临床数据、影像图片。对基线临床数据提取与复发性脑出血相关的临床独立预测因子，并利用临床独立预测因子构建基线临床数据标志物模型。对影像图片提取与复发性脑出血相关的影像组学特征，并利用影像组学特征构建影像组学标志物模型。将临床独立预测因子和基线临床数据标志物模型导入logistics回归模型并检测改模型，生成自发性脑出血复发检测模型。自发性脑出血复发检测模型具有较高的预测准确度，能够辅助临床医生提前筛查高复发性风险的受测者，及早给予针对性治疗，有助于降低受测者后期复发性风险。
28.在本技术的一实施例中，s100，包括：
29.s110，创建第一原始数据集。
30.s120，将多名自发性脑出血确诊待测者出现症状6小时内基线临床数据和影像图片纳入第一原始数据集。
31.s130，将第一原始数据集中具有第一类症状的待测者的基线临床数据和影像图片删除；所述第一类症状包括血管畸形、动脉瘤破裂、肿瘤、缺血性脑梗死后出血转化和外伤性脑出血所致继发性脑出血中的一种或多种。
32.s140，将首次脑出血后失访的待测者的基线临床数据和影像图片删除。
33.s150，将有服用抗凝或抗血小板药物病史的待测者的基线临床数据和影像图片删除。
34.s160，将72h内未行复查ct或于复查ct前进行手术的待测者的基线临床数据和影像图片删除。
35.s170，将年龄小于18岁的待测者的基线临床数据和影像图片删除。
36.s180，将ct基线影像伪影严重的待测者的基线临床数据和影像图片删除。
37.本实施例涉及样本数据的筛选。例如血管畸形、动脉瘤破裂、肿瘤、缺血性脑梗死后出血转化和外伤性脑出血的患者，不是自发性出血患者，以及影像存在伪影的患者图像质量不佳，无法进行影像组学分析，故具有上述生理情况样本，会影响自发性脑出血复发检测模型、基线临床数据标志物模型或建影像组学标志物模型预测的准确性。将这些影响因素排除，获得较为稳定的样本集，提高了自发性脑出血复发检测模型、基线临床数据标志物模型或建影像组学标志物模型预测的准确性。
38.在本技术的一实施例中，s200，包括：
39.s211，选取一名自发性脑出血确诊待测者。
40.s212，对自发性脑出血确诊待测者出现症状6小时内的影像图片进行图像重采样预处理，得到第一次预处理后的影像图片。
41.s213，对第一次预处理后的影像图片进行灰度离散化预处理，得到第二次预处理后的影像图片。
42.s214，返回所述选取一名自发性脑出血确诊待测者，直至所有自发性脑出血确诊
待测者出现症状6小时内的影像图片的预处理完成。
43.具体的，对图像重采样预处理和对第一次预处理后的影像图片进行灰度离散化预处理是因为每位病人的图像是由不同的ct机采集的，扫描参数不同，所以图像的灰度等细节不同，进行重采样就是为了尽可能消除这些差异，使影像组学分析更准确。
44.本实施例涉及图像预处理。对自发性脑出血确诊待测者出现症状6小时内的影像图片进行预处理，能够提高影像图片对脑出血病灶的显示。进一步的，影像图片对脑出血病灶的显示的明显性能够提高后期的提取影像组学特征的准确度。
45.在本技术的一实施例中，s200，还包括：
46.s221，随机选取n张第二次预处理后的影像图片。
47.s222，对n张第二次预处理后的影像图片中的每一张第二次预处理后的影像图片基于第一勾画模型，勾画出标记域，得到n张第一勾画图像；每一张第一勾画图像与一张第二次预处理后的影像具有映射关系。
48.s223，创建第一标记域集。
49.s224，将n张第一勾画图像中的标记域纳入第一标记域集。
50.s225，对n张第二次预处理后的影像图片中的每一张第二次预处理后的影像图片基于第二勾画模型，勾画出标记域，得到n张第二勾画图像；每一张第二勾画图像与一张第二次预处理后的影像具有映射关系。
51.s226，创建第二标记域集。
52.s227，将n张第二勾画图像中的标记域纳入第二标记域集。
53.本实施例涉及图像分割。值得一提的是，第一勾画模型和第二勾画模型是利用不同的医生描绘勾画影像图片样本训练的勾画模型，勾画模型学习了不同的医生描绘勾画影像图片标记域的习惯。不同的勾画模型符合不同的医生描绘勾画影像图片标记域的习惯，所以不同的勾画模型没有相关性。这提高了提取影像图片中影像组学特征的准确度。
54.在本技术的一实施例中，s200，还包括：
55.s231，选择第一标记域集或第二标记域集中的一个标记域图像。
56.s232，利用a.k.影像组学分析软件(artificial intelligence kit software)从标记域图像中分别提取多个影像组学特征。
57.s233，将多个影像组学特征划分为多个大类。
58.s234，使用z-score对各个影像组学特征中的数据进行标准化。
59.s235，将各个标准化化后的影像组学特征中数据与标记域图像形成映射关系。
60.s236，返回选择第一标记域集或第二标记域集中的一个标记域图像，直至第一标记域集和第二标记域集内的所有标记域图像均完成影像学特征提取。
61.本实施例涉及影像组学特征提取。利用人工智能工具包(a.k.)从每个标记域图像中分别提取1316个影像组学特征。
62.特征可分为7大类：
63.1)一阶直方图参数；
64.2)形状参数；
65.3)灰度共生矩阵(glcm)；
66.4)灰度游程矩阵(glrlm)；
67.5)灰度大小区域矩阵(glszm)；
68.6)相邻灰度差矩阵(ngtdm)；
69.7)灰度相关矩阵(gldm)。
70.最后，使用z-score对影像组学参数进行标准化，以减小不同特征之间的单位量级差异。
71.在本技术的一实施例中，s200，还包括：
72.s241，选取归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像。
73.s242，计算归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数(intraclass correlation coefficient，icc)。
74.s243，接收icc剔除标准值，创建有效特征集。
75.s244，判断归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数是否小于icc剔除标准值。
76.s245，若归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数小于icc剔除标准值，则将归属于该第二次预处理后的影像图片的第一标记域集中的标记域图像影像学特征和第二标记域集中的标记域图像影像学特征均删除。
77.s246，若归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数大于或等于icc剔除标准值，则将归属于该第二次预处理后的影像图片的第一标记域集中的标记域图像影像学特征和第二标记域集中的标记域图像影像学特征纳入有效特征集。
78.s247，返回所述选取归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像，直至遍历所有第一标记域集和第二标记域集。
79.s248，利用lasso回归对有效特征集的影像组学特征进行分析，从有效特征集中选出与自发性脑出血复发相关的影像组学特征。
80.本实施例涉及影像组学特征提取。在提取影像组学特征时，本技术首先计算了第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数，并利用icc剔除标准值剔除不相关的标记域图像中的特征，将相关的标记域图像中的特征纳入有效特征集，最后利用lasso回归对有效特征集的影像组学特征进行分析，从有效特征集中选出与自发性脑出血相关的影像组学特征。由于第一标记域集和第二标记域集，来源于不同的勾画模型，所以第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数高的，极有可能是自发性脑出血复发在影像组学特征图像，这大大降低了筛查范围。为了在这些影像学图片的标记域具体的筛选出特征图像，本技术利用lasso回归对有效特征集的影像组学特征进行分析。而lasso回归方法能够规化出特征大类中的影像组学特征，将这些影像组学特征量化和物化，保证了影像组学标志物模型和自发性脑出血复发检测模型的检测准确度。
81.在本技术的一实施例中，s300，包括：
82.s310，选取各个自发性脑出血确诊待测者出现症状6小时内基线临床数据中的一项生物指标数据，形成生物指标数据集。
83.s320，对生物指标数据集进行卡方检验或fisher精确检验用于进行组间进行比较。
84.s330，判断生物指标数据集是否符合正态分布。
85.s340，若生物指标数据集符合正态分布，则生物指标数据集用表示，并对生物指标数据集采用双尾t检验进行组间比较，形成第一单因素集。
86.s350，若生物指标数据集不符合正态分布，则生物指标数据集用m(q1，q3)表示，并对生物指标数据集采用秩和检验进行组间比较，形成第一单因素集。
87.s360，接收第一单因素集和脑出血复发相关因素变量筛选标准，利用脑出血复发相关因素变量筛选标准对第一单因素集进行筛选，形成第二单因素集。
88.s370，返回所述选取各个自发性脑出血确诊待测者出现症状6小时内基线临床数据中的一项生物指标数据，形成生物指标数据集，直至各个自发性脑出血确诊待测者出现症状6小时内基线临床数据的生物指标数据均完成筛选。
89.s380，建立多因素分析集，并将多个第二单因素集纳入多因素分析集。
90.s390，对多因素分析集采用多变量logistic回归筛选，获得临床独立预测因子。
91.本实施例涉及临床独立预测因子提取。选择一项生物指标数据，将每一个自发性脑出血确诊待测者的该项生物指标数据集中形成生物指标数据集。统计该生物指标数据集，不同阈值区域的人数，形成自变量为阈值区域，因变量为人数的曲线，判断曲线是否符合正态分布。实际上对生物指标数据集进行卡方检验或fisher精确检验，并在组间进行比较，就是为了统计、形成曲线图。由于该生物指标数据集是否符合正态分布直接影响对生物指标数据集处理的方法。第一单因素集获得前，对生物指标数据集的不同处理方法能够适应不同数据分布类型，进而提高对基线临床数据的处理适配性和对基线临床数据容纳性。
92.在本技术的一实施例中，s600之前，还包括：
93.s611，选取一个受测者，接收受测者的内基线临床数据和影像图片。
94.s612，对影像图片进行图像分析，提取影像图片的影像组学特征。
95.s613，对基线临床数据分析，提取基线临床数据存在的标志物。
96.s614，将影像组学特征和基线临床数据存在的标志物导入检验前的自发性脑出血复发检测模型，得到该受测者的自发性脑出血复发概率。
97.s615，获取该受测者在3年内的自发性脑出血复发信息。
98.s616，返回所述选取一个受测者，接收受测者的内基线临床数据和影像图片，直至所有受测者均被选取过。
99.s617，依据所有受测者的自发性脑出血复发概率和所有受测者在3年内的自发性脑出血复发信息，得到各个受测者在检验前的自发性脑出血复发检测模型下的特异度和准确度。
100.本实施例涉及检验前的自发性脑出血复发检测模型的特异度和准确度数据的获取。检验前的自发性脑出血复发检测模型是基于影像组学标志物模型和基线临床数据标志物模型建立的，所以在最终确定自发性脑出血复发检测模型前需要确定检验前的自发性脑出血复发检测模型对影像组学标志物模型和基线临床数据标志物模型融合效果。
101.在本技术的一实施例中，s600之前，还包括：
102.s621，选取一个受测者，接收受测者的影像图片。
103.s622，对影像图片进行图像分析，提取影像图片的影像组学特征。
104.s623，将影像组学特征导入影像组学标志物模型，得到的该受测者的基于影像组学标志物模型的自发性脑出血复发概率。
105.s624，获取该受测者在3年内的自发性脑出血复发信息。
106.s625，返回所述选取一个受测者，接收受测者的影像图片，直至所有受测者均被选取过。
107.s626，依据所有受测者的基于影像组学标志物模型的自发性脑出血复发概率和受测者在3年内的自发性脑出血复发信息，得到各个受测者在影像组学标志物模型下的特异度和准确度。
108.本实施例涉及影像组学标志物模型的特异度和准确度数据的获取。值得注意的是，提取影像图片的影像组学特征后，本实施例可以单次输入一个或多个影像组学特征，根据输入的影像组学特征及最后关于输入的影像组学特征后的影像组学标志物模型的特异度和准确度，反推输入的影像组学特征的预测效能高低。
109.若输入的是一个或多个基线临床数据存在的影像组学特征，得到在该一个或多个影像组学特征下的影像组学标志物模型的特异度和准确度。确定第一特异度阈值和第一准确度阈值。若在该一个或多个影像组学特征下的影像组学标志物模型的特异度大于第一特异度阈值，且在该一个或多个影像组学特征下的影像组学标志物模型的准确度大于第一准确度阈值，则确定输入像组学特征预测效能高。
110.反之，确定输入的影像组学特征的预测效能低。
111.这样，可以得到各个影像组学特征的权重。
112.若输入的影像组学特征预测效能低，则最终的自发性脑出血复发检测模型将会降低关于该输入的影像组学特征的权重。
113.同时，输入全部的提取影像图片的影像组学特征于影像组学标志物模型所获得的影像组学标志物模型的特异度和准确度数据，能够用于对比检验前的自发性脑出血复发检测模型的有效性。所以对影像组学标志物模型的特异度和准确度数据的获取，能够提高最终的自发性脑出血复发检测模型预测准确性。
114.在本技术的一实施例中，s600还包括：
115.s631，选取一个受测者，接收受测者的基线临床数据。
116.s632，对基线临床数据分析，提取基线临床数据存在的标志物。
117.s633，将基线临床数据存在的标志物导入基线临床数据标志物模型，得到该受测者的基于基线临床数据标志物模型的自发性脑出血复发概率。
118.s634，获取该受测者在3年内是否自发性脑出血复发信息。
119.s635，返回所述选取一个受测者，接收受测者的基线临床数据，直至所有受测者均被选取过。
120.s636，依据所有受测者的基于基线临床数据标志物模型的自发性脑出血复发概率和受测者在3年内的自发性脑出血复发信息，得到各个受测者在基线临床数据标志物模型下的特异度和准确度。
121.s637，依据不同标志物对自发性脑出血复发检测模型的预测效能差异对检验前的自发性脑出血复发检测模型进行调整，生成调整后的自发性脑出血复发检测模型。
122.s638，对调整后的自发性脑出血复发检测模型进行预测效能检验，若预测效能检验通过，生成自发性脑出血复发检测模型。
123.本实施例涉及临床数据标志物模型的特异度和准确度数据的获取。值得注意的是，提取基线临床数据存在的临床独立预测因子，本实施例可以单次输入一个或多个基线临床数据存在的临床独立预测因子，根据输入的基线临床数据存在的临床独立预测因子及最后关于输入的基线临床数据存在的临床独立预测因子后的临床数据临床独立预测因子模型的特异度和准确度，反推输入的基线临床数据存在的临床独立预测因子的预测效能高低。
124.若输入的是一个或多个基线临床数据存在的临床独立预测因子，得到在该一个或多个基线临床数据存在的临床独立预测因子下的基线临床数据临床独立预测因子模型的特异度和准确度。确定第二特异度阈值和第二准确度阈值。若在该一个或多个基线临床数据存在的临床独立预测因子下的基线临床数据临床独立预测因子模型的特异度大于第二特异度阈值，且在该一个或多个基线临床数据存在的临床独立预测因子下的基线临床数据临床独立预测因子模型的准确度大于第二准确度阈值，则确定输入的基线临床数据存在的临床独立预测因子预测效能高。
125.反之，确定输入的基线临床数据存在的临床独立预测因子预测效能低。
126.若输入的基线临床数据存在的临床独立预测因子预测效能低，则最终的自发性脑出血复发检测模型将会降低关于该输入的基线临床数据存在的临床独立预测因子的权重。
127.这样，可以得到各个基线临床数据存在的临床独立预测因子的权重。
128.同时，输入全部的提取基线临床数据存在的标志物于临床数据标志物模型所获得的临床数据标志物模型的特异度和准确度数据，能够用于对比检验前的自发性脑出血复发检测模型的有效性。所以对临床数据标志物模型的特异度和准确度数据的获取，能够提高最终的自发性脑出血复发检测模型预测准确性。
129.以上所述实施例的各技术特征可以进行任意的组合，各方法步骤也并不做执行顺序的限制，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种自发性脑出血复发检测模型的构建方法，其特征在于，包括：获取多名自发性脑出血确诊待测者出现症状6小时内基线临床数据和影像图片；对每一名自发性脑出血确诊待测者出现症状6小时内的影像图片进行图像分析，获得与复发性脑出血相关的影像组学特征；对每一名自发性脑出血确诊待测者出现症状6小时内的基线临床数据分析，获得与复发性脑出血相关的临床独立预测因子；利用与复发性脑出血相关的影像组学特征构建影像组学标志物模型，利用与复发性脑出血相关的临床独立预测因子构建基线临床数据标志物模型；采用logistics回归模型作为自发性脑出血复发检测模型的框架，生成检验前的自发性脑出血复发检测模型；在生成检验前的自发性脑出血复发检测模型过程中，将临床独立预测因子和基线临床数据标志物模型导入logistics回归模型；利用delong检验比较不同标志物对自发性脑出血复发检测模型的预测效能差异，依据不同标志物对自发性脑出血复发检测模型的预测效能差异对检验前的自发性脑出血复发检测模型进行调整；对调整后的自发性脑出血复发检测模型进行预测效能检验，若预测效能检验通过，生成自发性脑出血复发检测模型。2.根据权利要求1所述的一种自发性脑出血复发检测模型的构建方法，其特征在于，所述获取多名自发性脑出血确诊待测者出现症状6小时内基线临床数据和影像图片，包括：创建第一原始数据集；将多名自发性脑出血确诊待测者出现症状6小时内基线临床数据和影像图片纳入第一原始数据集；将第一原始数据集中具有第一类症状的待测者的基线临床数据和影像图片删除；所述第一类症状包括血管畸形、动脉瘤破裂、肿瘤、缺血性脑梗死后出血转化和外伤性脑出血所致继发性脑出血中的一种或多种；将首次脑出血后失访的待测者的基线临床数据和影像图片删除；将有服用抗凝或抗血小板药物病史的待测者的基线临床数据和影像图片删除；将72h内未行复查ct或于复查ct前进行手术的待测者的基线临床数据和影像图片删除；将年龄小于18岁的待测者的基线临床数据和影像图片删除；将ct基线影像存在伪影的待测者的基线临床数据和影像图片删除。3.根据权利要求1所述的一种自发性脑出血复发检测模型的构建方法，其特征在于，所述对每一名自发性脑出血确诊待测者出现症状6小时内的影像图片进行图像分析，包括：选取一名自发性脑出血确诊待测者；对自发性脑出血确诊待测者出现症状6小时内的影像图片进行图像重采样预处理，得到第一次预处理后的影像图片；对第一次预处理后的影像图片进行灰度离散化预处理，得到第二次预处理后的影像图片；返回所述选取一名自发性脑出血确诊待测者，直至所有自发性脑出血确诊待测者出现症状6小时内的影像图片的预处理完成。
4.根据权利要求3所述的一种自发性脑出血复发检测模型的构建方法，其特征在于，所述对每一名自发性脑出血确诊待测者出现症状6小时内的影像图片进行图像分析，还包括：随机选取n张第二次预处理后的影像图片；对n张第二次预处理后的影像图片中的每一张第二次预处理后的影像图片基于第一勾画模型，勾画出标记区域，得到n张第一勾画图像；每一张第一勾画图像与一张第二次预处理后的影像具有映射关系；创建第一标记区域集；将n张第一勾画图像中的标记区域纳入第一标记区域集；对n张第二次预处理后的影像图片中的每一张第二次预处理后的影像图片基于第二勾画模型，勾画出标记区域，得到n张第二勾画图像；每一张第二勾画图像与一张第二次预处理后的影像具有映射关系；创建第二标记区域集；将n张第二勾画图像中的标记区域纳入第二标记域集。5.根据权利要求4所述的一种自发性脑出血复发检测模型的构建方法，其特征在于，所述对每一名自发性脑出血确诊待测者出现症状6小时内的影像图片进行图像分析，还包括：选择第一标记域集或第二标记域集中的一个标记域图像；利用人工智能工具包(artificial intelligence kit software)从标记域图像中分别提取多个影像组学特征；将多个影像组学特征划分为多个大类；使用z-score对各个影像组学特征中的数据进行标准化；将各个标准化后的影像组学特征中的数据与标记域图像形成映射关系；返回选择第一标记域集或第二标记域集中的一个标记域图像，直至第一标记域集和第二标记域集内的所有标记域图像均完成影像学特征提取。6.根据权利要求5所述的一种自发性脑出血复发检测模型的构建方法，其特征在于，所述对每一名自发性脑出血确诊待测者出现症状6小时内的影像图片进行图像分析，还包括：选取归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像；计算归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数(intraclass correlation coefficient，icc)；接收icc剔除标准值，创建有效特征集；判断归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数是否小于icc剔除标准值；若归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数小于icc剔除标准值，则将归属于该第二次预处理后的影像图片的第一标记域集中的标记域图像影像学特征和第二标记域集中的标记域图像影像学特征均删除；若归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像之间的相关系数大于或等于icc剔除标准值，则将归属于该第二
次预处理后的影像图片的第一标记域集中的标记域图像影像学特征和第二标记域集中的标记域图像影像学特征纳入有效特征集；返回所述选取归属于同一张第二次预处理后的影像图片的第一标记域集中的标记域图像和第二标记域集中的标记域图像，直至遍历所有第一标记域集和第二标记域集；利用lasso回归对有效特征集的影像组学特征进行分析，从有效特征集中选出与自发性脑出血复发相关的影像组学特征。7.根据权利要求6所述的一种自发性脑出血复发检测模型的构建方法，其特征在于，所述对每一名自发性脑出血确诊待测者出现症状6小时内的内基线临床数据，获得与复发性脑出血相关的临床独立预测因子，包括：选取各个自发性脑出血确诊待测者出现症状6小时内基线临床数据中的一项生物指标数据，形成生物指标数据集；对生物指标数据集进行卡方检验或fisher精确检验用于进行组间比较；判断生物指标数据集是否符合正态分布；若生物指标数据集符合正态分布，则生物指标数据集用表示，并对生物指标数据集采用双尾t检验进行组间比较，形成第一单因素集；若生物指标数据集不符合正态分布，则生物指标数据集用m(q1，q3)表示，并对生物指标数据集采用秩和检验进行组间比较，形成第一单因素集；接收第一单因素集和脑出血复发相关因素变量筛选标准，利用脑出血复发相关因素变量筛选标准对第一单因素集进行筛选，形成第二单因素集；返回所述选取各个自发性脑出血确诊待测者出现症状6小时内基线临床数据中的一项生物指标数据，形成生物指标数据集，直至各个自发性脑出血确诊待测者出现症状6小时内基线临床数据的生物指标数据均完成筛选；建立多因素分析集，并将多个第二单因素集纳入多因素分析集；对多因素分析集采用多变量logistic回归筛选，获得临床独立预测因子。8.根据权利要求7所述的一种自发性脑出血复发检测模型的构建方法，其特征在于，在所述利用delong检验比较不同标志物对自发性脑出血复发检测模型的预测效能差异，依据不同标志物对自发性脑出血复发检测模型的预测效能差异对检验前的自发性脑出血复发检测模型进行调整之前，所述方法还包括：选取一个受测者，接收受测者的内基线临床数据和影像图片；对影像图片进行图像分析，提取影像图片的影像组学特征；对基线临床数据分析，提取基线临床数据存在的标志物；将影像组学特征和基线临床数据存在的标志物导入检验前的自发性脑出血复发检测模型，得到该受测者的自发性脑出血复发概率；获取该受测者在3年内的自发性脑出血复发信息；返回所述选取一个受测者，接收受测者的内基线临床数据和影像图片，直至所有受测者均被选取过；依据所有受测者的自发性脑出血复发概率和所有受测者在3年内的自发性脑出血复发信息，得到各个受测者在检验前的自发性脑出血复发检测模型下的特异度和准确度。9.根据权利要求8所述的一种自发性脑出血复发检测模型的构建方法，其特征在于，所
述利用delong检验比较不同标志物对自发性脑出血复发检测模型的预测效能差异，依据不同标志物对自发性脑出血复发检测模型的预测效能差异对检验前的自发性脑出血复发检测模型进行调整之前，所述方法还包括：选取一个受测者，接收受测者的影像图片；对影像图片进行图像分析，提取影像图片的影像组学特征；将影像组学特征导入影像组学标志物模型，得到的该受测者的基于影像组学标志物模型的自发性脑出血复发概率；获取该受测者在3年内的自发性脑出血复发信息；返回所述选取一个受测者，接收受测者的影像图片，直至所有受测者均被选取过；依据所有受测者的基于影像组学标志物模型的自发性脑出血复发概率和受测者在3年内的自发性脑出血复发信息，得到各个受测者在影像组学标志物模型下的特异度和准确度。10.据权利要求8所述的一种自发性脑出血复发检测模型的构建方法，其特征在于，所述利用delong检验比较不同标志物对自发性脑出血复发检测模型的预测效能差异，依据不同标志物对自发性脑出血复发检测模型的预测效能差异对检验前的自发性脑出血复发检测模型进行调整，包括：选取一个受测者，接收受测者的基线临床数据；对基线临床数据分析，提取基线临床数据存在的标志物；将基线临床数据存在的标志物导入基线临床数据标志物模型，得到该受测者的基于基线临床数据标志物模型的自发性脑出血复发概率；获取该受测者在3年内的自发性脑出血复发信息；返回所述选取一个受测者，接收受测者的基线临床数据，直至所有受测者均被选取过；依据所有受测者的基于基线临床数据标志物模型的自发性脑出血复发概率和受测者在3年内的自发性脑出血复发信息，得到各个受测者在基线临床数据标志物模型下的特异度和准确度；依据不同标志物对自发性脑出血复发检测模型的预测效能差异对检验前的自发性脑出血复发检测模型进行调整，生成调整后的自发性脑出血复发检测模型。

技术总结
本申请涉及一种自发性脑出血复发检测模型的构建方法，通过获取多名自发性脑出血确诊待测者出现症状6小时内基线临床数据、影像图片。对基线临床数据提取与复发性脑出血相关的临床独立预测因子，并利用临床独立预测因子构建基线临床数据标志物模型。对影像图片提取与复发性脑出血相关的影像组学特征，并利用影像组学特征构建影像组学标志物模型。将临床独立预测因子和基线临床数据标志物模型导入logistics回归模型并检测改模型，生成自发性脑出血复发检测模型。自发性脑出血复发检测模型具有较高的预测准确度，能够辅助临床医生提前筛查高复发性风险的受测者，及早给予针对性治疗，有助于降低受测者后期复发性风险。有助于降低受测者后期复发性风险。有助于降低受测者后期复发性风险。


技术研发人员：朱冬勤 骆志显 周滢 俞梦莹 陈俐璇 姚飞 林茹 杨运俊
受保护的技术使用者：温州医科大学附属第一医院
技术研发日：2023.06.28
技术公布日：2023/9/14