一种术前预测髋臼假体压配稳定性预测指标的获取方法

技术领域

本发明涉及人工智能及医疗技术领域，特别涉及一种术前预测髋臼假体压配稳定性预测指标的获取方法。

背景技术

随着人口老龄化，老年人群髋部骨折的发生率在逐步上升，人工全髋关节置换术(total hip arthroplasty，THA)的数量也呈逐年上升的态势。人工全髋关节置换术是目前治疗髋关节疾病和髋部骨折最有效的手术方法。随着我国人口寿命的不断提高，髋关节置换术后的远期并发症问题也日渐突出。其中，假体无菌性松动、骨溶解、感染、假体周围骨折、位置不佳、脱位等原因而致手术失败的患者日益增多，使得髋关节翻修术的绝对数量也在逐年增加。

髋臼假体无菌性松动长期以来一直是全髋关节置换术失败的主要原因之一，占所有翻修术的18％以上。研究发现术中髋臼假体初始压配不稳是假体无菌性松动最直接原因。因此，越来越需要术前对髋臼假体压配稳定性进行预测，以便术者获得更为全面的个体化信息，有利于制定相应手术方案及术中应急预案，从而达到减少并发症和提高假体生存率的目标。

因此，针对现有技术不足，提供一种术前预测髋臼假体压配稳定性预测指标的获取方法以解决现有技术不足甚为必要。

发明内容

本发明的目的在于避免现有技术的不足之处而提供一种术前预测髋臼假体压配稳定性预测指标的获取方法。该术前预测髋臼假体压配稳定性预测指标的获取方法能够在手术前获得髋臼假体压配稳定性的预测指标。

本发明的上述目的通过以下技术措施实现：

提供一种术前预测髋臼假体压配稳定性预测指标的获取方法，通过如下步骤进行：

步骤(1)、将术前待预测的髋部X线图像定义为待测图像，并对待测图像勾画出感兴趣区域；

步骤(2)、对步骤(1)的感兴趣区域通过特征提取工具进行特征提取，得到待预测特征；

步骤(3)、通过机器学习算法筛选步骤(2)的待预测特征，得到筛选后特征；

步骤(4)、将筛选后特征输入预先得到的最优模型进行计算，得到预测指标。

优选的，上述最优模型由如下步骤获得：

步骤A、采取多张髋部X线图像，并进行归一化处理，得到归一化图像；

步骤B、勾画步骤A得到的归一化图像的感兴趣区域；

步骤C、通过特征提取工具提取步骤B中归一化图像的感兴趣区域的生物学特征，然后随机划分为训练集和测试集；

步骤D、通过机器学习算法筛选步骤C中的训练集中的生物学特征，筛选出最佳特征，然后根据最佳特征构建多个预测模型；

步骤E、通过步骤C中的测试集分别验证所有步骤D得到的预测模型，对应得到模型参数，根据模型参数筛选出最优的预测模型，并将最优的预测模型定义为最优模型。

优选的，上述步骤B具体为通过分割软件勾画感兴趣区域。

优选的，上述步骤C具体分为：

步骤(c.1)、通过特征提取工具提取步骤B的感兴趣区的生物学特征；

步骤(c.2)、按照比例抽样随机划分，得到训练集和测试集。

优选的，上述步骤D具体分为：

步骤(d.1)、通过最大相关最小冗余算法mRMR去除步骤C中训练集冗余和无关特征；

步骤(d.2)、通过最小绝对收缩与选择算子算法对步骤(d.1)的相关特征进行降维筛选；

步骤(d.3)、通过5倍交叉验证法选择LASSO模型中的参数λ，调节λ的值使LASSO模型的二项式偏差最小筛选得到最佳特征；

步骤(d.4)、根据最佳特征构建多个预测模型。

优选的，上述步骤(2)具体分为：

步骤(2.1)、通过最大相关最小冗余算法mRMR将步骤C中的训练集的数据特征中的去除冗余和无关特征去除；

步骤(2.2)、通过最小绝对收缩与选择算子算法对步骤(d.1)的相关特征进行降维；

步骤(2.3)、通过5倍交叉验证法选择LASSO模型中的参数λ，调节λ的值使LASSO模型的二项式偏差最小筛选得到最佳特征。

优选的，上述最佳特征为LASSO模型中最小标准误差对应的特征。

优选的，上述模型参数为ROC曲线下面积、准确率、敏感度和特异度。

优选的，上述预测指标为ROC曲线下面积、准确率、敏感度和特异度。

优选的，上述机器学习算法为逻辑回归、支持向量机、随机森林、决策树、高斯朴素贝叶斯或者神经网络。

优选的，上述特征提取工具为Pyradiomics。

优选的，上述待预测特征为影像组学特征或者深度学习特征中至少一种。

优选的，上述生物学特征为影像组学特征或者深度学习特征中至少一种。

本发明的一种术前预测髋臼假体压配稳定性预测指标的获取方法,通过如下步骤进行：步骤(1)、将术前待预测的髋部X线图像定义为待测图像，并对待测图像勾画出感兴趣区域；步骤(2)、对步骤(1)的感兴趣区域通过特征提取工具进行特征提取，得到待预测特征；步骤(3)、通过机器学习算法筛选步骤(2)的待预测特征，得到筛选后特征；步骤(4)、将筛选后特征输入预先得到的最优模型进行计算，得到预测指标。该术前预测髋臼假体压配稳定性预测指标的获取方法能够在手术前获得髋臼假体压配稳定性的预测指标。

附图说明

利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。

图1为一种术前预测髋臼假体压配稳定性预测指标的获取方法流程图。

图2为感兴趣区域(ROI)分割示意图。

图3为LASSO特征筛选图。

图4为另一LASSO特征筛选图。

图5为训练集的ROC曲线图。

图6为测试集的ROC曲线图。

图7为实施例2的感兴趣区域(ROI)分割示意图。

图8为实施例2测试集的ROC曲线。

具体实施方式

结合以下实施例对本发明的技术方案作进一步说明。

实施例1

一种术前预测髋臼假体压配稳定性预测指标的获取方法，如图1，通过如下步骤进行：

步骤(1)、将术前待预测的髋部X线图像定义为待测图像，并对待测图像勾画出感兴趣区域；

步骤(2)、对步骤(1)的感兴趣区域通过特征提取工具进行特征提取，得到待预测特征；

步骤(3)、通过机器学习算法筛选步骤(2)的待预测特征，得到筛选后特征；

步骤(4)、将筛选后特征输入预先得到的最优模型进行计算，得到预测指标，其中预测指标为ROC曲线下面积(AUC)、准确率(ACC)、敏感度和特异度。

其中，步骤(2)具体分为：

步骤(2.1)、通过最大相关最小冗余算法mRMR将步骤C中的训练集的数据特征中的去除冗余和无关特征去除；

步骤(2.2)、通过最小绝对收缩与选择算子算法对步骤(d.1)的相关特征进行降维；

步骤(2.3)、通过5倍交叉验证法选择LASSO模型中的参数λ，调节λ的值使LASSO模型的二项式偏差最小筛选得到最佳特征。

需要说明的是，ROC曲线下的面积是评估模型效能的，其中AUC值越大表明模型效果越好，而AUC值介于0-1，当AUC在0.5-0.7之间表明模型预测效果一般；AUC在0.7-0.8之间表明模型预测效果普通；AUC在0.8-0.9之间表明效果较好；AUC大于0.9表明效果理想。

本发明的最优模型由如下步骤获得：

步骤A、采取多张髋部X线图像，并分别进行归一化处理，得到归一化图像；

步骤B、勾画步骤A得到的归一化图像的感兴趣区域，如图2；

步骤C、通过特征提取工具提取步骤B中归一化图像的感兴趣区域的生物学特征，然后随机划分为训练集和测试集；

步骤D、通过机器学习算法筛选步骤C中的训练集中的生物学特征，筛选出最佳特征构，然后根据最佳特征构建多个预测模型；

步骤E、通过步骤C中的测试集分别验证所有步骤D得到的预测模型，对应得到模型参数，根据模型参数筛选出最优的预测模型，并将最优的预测模型定义为最优模型，模型参数为ROC曲线下面积(AUC)、准确率(ACC)、敏感度和特异度，如图5和6。

其中，步骤B具体为通过分割软件勾画感兴趣区域。本发明的分割软件有多种，如3Dslicer、AK、MAZDA或ITK-SNAP，具体可以根据实际情况而选择，只能实现感兴趣区域的勾画的分割软件均能作为本发明的分割软件，均落入本发明的保护范围。

需要说明的是，本发明的最优模型是通过建立多个预测模型，然后对这些预测模型进行比较，例如总共训练四种机器学习模型，比较这四种预测模型的效能参数(AUC、准确率、敏感度、特异度等)，当参数最好时即为最优模型，本领域技术人员根据本发明的记载内容及具体的髋部X线图像即可以选取得到的最优模型，在此不再一一赘述。

需要说明的是，申请人对步骤B的重复性验证，本发明由操作者A独立使用分割软件进行人工勾画感兴趣区域，1个月后重复上述操作，以评估同一观察者组内两次分割一致性。另由操作者B独立完成上述操作，以评估不同观察者组间一致性。同一观察者组内两次分割的一致性及不同观察者组间一致性组内和组间相关系数(ICC)，其ICC均大于0.80，因此证明本发明的勾画感兴趣区域可重复性高。同时申请人也步骤C也进行了一致性，结果显示步骤C的生物学特征提取一致性，ICC也大于0.80，因此本发明的提取一致性良好。

本发明的归一化处理是指将指对图像进行了一系列处理变换，使之变换为一固定标准形式的过程，这些图像在经过相同参数的图像归一化处理后能够得到相同形式的标准图像，从而消除不同机器、不同环境、不同操作等对图像的影响，如像素归一化、尺寸归一化等。

本发明的步骤C具体分为：

步骤(c.1)、通过特征提取工具提取步骤B的感兴趣区的生物学特征，其中生物学特征为影像组学特征或者深度学习特征中至少一种；

步骤(c.2)、按照分层标准进行分层；

步骤(c.3)、在每层中按照比例抽样随机划分，得到训练集和测试集。

本发明的训练集和测试集的划分比例可以为7:3、6:4等，具体可以根据实际情况而定。本发明训练集和测试集的划分方式是多种多样的，可以将生物学特征随机划分成训练集和测试集，也可以根据年龄段或者手术时间年度，也就是说，根将生物学特征按年龄段或者手术时间年度进行对应分层，然后在每层中按照比例如7:3、6:4等，随机划分成训练集和测试集。因此训练集和测试集的划分可以根据实际情况而定。

本发明的特征提取工具为Pyradiomics，需要说明的是Pyradiomics官方文档进行设置所需要提取的特征类型，如一阶统计学特征、形状特征、灰度纹理特征、小波特征等。该提取工具的特征提取过程完全由代码完成，可自行设置提取特征类型，对Pyradiomics特征提取的方法为本领域公知常识，本领域技术人员应当知晓，在此不再一一赘述。

本发明的步骤D具体分为：

步骤(d.1)、通过最大相关最小冗余算法LASSO将步骤C中的训练集的数据特征中的去除冗余和无关特征去除，留下数据特征中的相关特征；

步骤(d.2)、通过最小绝对收缩与选择算子算法对步骤(d.1)的相关特征进行降维；

步骤(d.3)、通过5倍交叉验证法选择LASSO模型中的参数λ，调节λ的值使LASSO模型的二项式偏差最小筛选得到最佳特征，其中最佳特征为LASSO模型中最小标准误差对应的特征；

步骤(d.4)、根据最佳特征构建多个预测模型。

需要说明的是，本发明的相关特征是指对机器学习有用的特征，可以提升学习算法的效果。无关特征是对机器学习没有任何帮助，但又不会对学习算法带来任何提升。冗余特征是指不会对机器学习来带新的信息的特征。

本发明通过做数据特征进行筛选或降维的作用在于，降低和去除的是无关特征和冗余特征携带的信息，而尽可能保留相关的特征的信息。筛选或降维的目的是提高机器学习模型的学习效率，同时降低过拟合的概率。

步骤(d.2)和步骤(2.2)本发明使用了LASSO算法来降维筛选特征，lasso的作用就是将不重要的特征的系数归为0，最佳特征为那些系数不为0的特征。这一步骤是LASSO算法自动算出最后系数不为0的特征。

在步骤(d.3)和步骤(2.3)中的5倍交叉验证法具体是把数据平均分成5等份，每次实验拿一份做测试，其余用做训练，实验5次求平均值。在本发明中特征选择阶段进行5折交叉验证是为了选择最佳特征，λ值就是流程图中lasso两幅图虚线处的值(如图3和4)此处对应着特征选择过程中最小的标准误，同时在这个值下对应最终选择的具体特征。

本发明的机器学习算法为逻辑回归、支持向量机、随机森林、决策树、高斯朴素贝叶斯或者神经网络。

该术前预测髋臼假体压配稳定性预测指标的获取方法能够在手术前获得髋臼假体压配稳定性的预测指标，通过预测指标可以实现患者手术过程中髋臼压配不稳定的风险评估。通过本发明的预测指标有望帮助临床医师术前评估、制定合理的治疗方案、降低远期并发症，有利于个体化、精准化医疗决策的实现。

实施例2

一种术前预测髋臼假体压配稳定性预测指标的获取方法，其特征与实施例相同，选取某医院1名术前诊断为股骨颈骨折的病例，通过本发明预测并验证术中髋臼压配是否稳定。

步骤(1)、将术前待预测的髋部X线图像定义为待测图像，并待测图像对勾画出待预测感兴趣区域，如图7；

步骤(2)、对步骤(1)的待预测感兴趣区域通过特征提取工具进行特征提取，得到待预测特征

步骤(3)、通过机器学习算法筛选步骤(2)的待预测特征，得到筛选后特征，如表1；

表1、筛选后特征

备注：上表的特征属于小波特征。

步骤(4)、将筛选后特征输入预先得到的最优模型进行计算，得到预测指标，如图8。

该术前预测髋臼假体压配稳定性预测指标的获取方法能够在手术前获得该股骨颈骨折欢者的预测指标，通过预测指标可以实现患者手术过程中髋臼压配不稳定的风险评估。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。