CN116030987A - 系统性硬化病食管动力的评估模型的构建方法 - Google Patents

Abstract

本发明涉及医疗技术领域，具体涉及一种系统性硬化病食管动力的评估模型的构建方法，包括：选取患者构建样本集，获取样本集中和系统性硬化病食管动力相关的特征影像学指标、特征临床指标及食管动力参数；基于影像学指标、临床指标与患者的食管动力参数的相关性分析获取影像指标特征数据集和临床指标特征数据集；基于两种特征数据集构建病理特征集，进一步进行LASSO回归分析，获取第一变量集；基于第一变量集优化病理特征集，获取目标病理特征集后进行患者的食管动力异常概率的回归风险预测。本发明较现有技术的降低了人为因素的干扰和对人体的危害，克服了现有技术不便于推广应用的缺陷，有助于提高评估模型的构建效率和评估精度。

Description

系统性硬化病食管动力的评估模型的构建方法

技术领域

本发明涉及医疗技术领域，具体涉及一种系统性硬化病食管动力的评估模型的构建方法。

背景技术

系统性硬化病（systemic sclerosis, SSc），是一种临床上以局限或弥漫性皮肤增厚和纤维化为特征的，可影响多器官的结缔组织疾病；消化道是SSc最常受累的内脏器官，发病率高达90%。尤其是食管受累最为常见，50-90%的患者可出现食管动力异常，病理特征为食管下2/3平滑肌萎缩，表现为食管体部蠕动减弱和/或食管下括约肌压力减低，从而出现反酸、反流和吞咽困难等食管症状。长期的胃内容物反流、吞咽困难不仅影响患者的生活质量，还可导致间质性肺病，甚至加重肺功能恶化。

然而，目前临床上对于SSc食管动力的评估存在困难：一方面，现有技术中评估食管动力最为精确的检查手段为高分辨率食管测压（high resolution manometry， HRM），该项检查为有创性操作且费用较高，患者接受度差； HRM 准备工作较长，需要借助三维建模，对设备要求较高，难以作为SSc临床实践中的常规检查；另一方面，现有技术中存在利用SSc的常见影像学表现，例如食管扩张等，与放射性核素扫描或钡餐结合评估食管动力异常的模型或方法，该模型或方法存在以下问题：1.毒副作用大，放射性核素诊断具有较大的放射性，钡餐诊断本身有重金属残留问题；2.放射性核素诊断和钡餐诊断具有准备周期长、操作繁琐缺陷，不适用于对SSc患者人群的食管动力大范围筛查和评估；3. 影像学指标和食管动力相关性需要进一步优化，包含影像学指标的模型的预测准确度较低。因而，亟需改进现有技术中SSc患者的食管动力的评估模型的构建方法，构建具有较高预测准确率且对人体危害较小、便于快速操作的SSc患者的食管动力的评估方法。

发明内容

鉴于上述分析，为解决以上至少一个技术问题，进一步改善系统性硬化病的食管动力评估模型的构建方法，提高食管动力评估模型的预测准确率，降低食管动力评估过程对人体的危害，克服食管动力评估过程准备、操作周期长，不利于快速操作和广泛推广的缺陷。

本发明的目的主要是通过以下技术方案实现的：

本发明提供一种系统性硬化病食管动力的评估模型的构建方法，具有以下步骤：

选取SSc患者构建样本集，获取样本集中SSc患者的食管动力参数、影像学指标和临床指标；基于影像学指标、临床指标与SSc患者的食管动力参数的相关性分析，获取样本集中SSc患者的影像指标特征数据集Q_ij和临床指标特征数据集Q_mn，其中，i为特征影像学指标序号；j为食管动力状态序号， j=0或1，j=0表示食管动力正常，j=1表示食管动力异常；Q_ij表示第i个特征影像学指标，在第j个食管动力状态下所有特征影像学指标数值的集合；其中，m为特征临床指标序号；n为食管动力状态序号， n=0或1，n=0表示食管动力正常，n=1表示食管动力异常；Q_mn表示第m个特征临床指标，在第n个食管动力状态下所有临床指标数值的集合；

基于Q_mn与Q_ij构建包含特征影像学指标与特征临床指标的SSc患者病理特征集Q_cd，以特征影像学指标与特征临床指标为变量对Q_cd进行LASSO回归分析，获取第一变量集Q_s；其中， c为特征影像学指标序号；d为食管动力状态序号，其中，d=0或1，d=0表示食管动力正常，d=1表示食管动力异常；s为第一变量集中特征变量数量； Q_s表示第一变量集中所有特征变量的集合；

基于第一变量集Q_s优化SSc患者病理特征集Q_cd，获取仅包含第一变量集中变量对应的数据的目标病理特征集；将目标病理特征集进行回归风险预测，获取以第一变量集为变量，以SSc患者食管动力异常概率P为因变量的回归风险预测模型。

优选的，获取影像指标特征数据集Q_ij和临床指标特征数据集Q_mn，包括以下步骤：

获取样本集中SSc患者的食管动力参数：

采用HRM法诊断SSc患者的食管动力，获得SSc患者的食管动力参数；

获取影像指标特征数据集：

通过SSc患者胸部CT图像获取影像学指标，对影像学指标和SSc患者的食管动力参数进行非参数检验的相关样本分析获取特征影像学指标，基于SSc患者的食管动力参数对特征影像学指标分类获取影像指标特征数据集Q_ij；

获取临床指标特征数据集：

对SSc临床指标和SSc患者的食管动力参数进行非参数检验的独立样本分析获取特征临床指标；基于SSc患者的食管动力参数对特征临床指标分类获取临床指标特征数据集Q_mn。

优选的，非参数检验的相关样本分析的显著性水平α满足：α＜0.05；非参数检验的独立样本分析的显著性水平α满足：α＜0.05。

优选的，所述影像学指标为食管闭合百分比PC、食管扩张百分比PD和食管最大直径MWED中任一种；所述SSc临床指标为：年龄、病程、BMI、dcSSc、雷诺现象、毛细血管扩张、指端溃疡、肌炎、ILD、PAH、心包积液中一种或多种。

优选的，获取第一变量集Q_s，包括以下步骤：

构建SSc患者病理特征集Q_cd：

将影像指标特征数据集Q_ij和临床指标特征数据集Q_mn以j=n的数据置于同一列构建SSc患者病理特征集Q_cd；

对Q_cd进行LASSO回归分析，获取第一变量集：

将SSc患者病理特征集Q_cd代入分析软件包进行LASSO回归分析，调整LASSO回归分析的惩罚系数，获取LASSO回归模型的二项式偏差最小时惩罚系数，由分析软件包输出最优变量，由最优变量构成第一变量集。

优选的，所述分析软件包包括PredictABEL函数计算工具包。

优选的，所述以SSc患者食管动力异常概率P为因变量的回归风险预测模型，满足：

P=e^x/ （1+e^x），x=a₀+a₁×b₁+a₂×b₂+...+a_s×b_s；其中，b₁，...，b_s为第一变量集中变量数值；a₀为截距；a₁，...，a_s为b₁，...，b_s对应的系数，s表示第一变量集中变量数量。

优选的，所述构建方法还包括构建基准模型和将评估模型相对基准模型改善效果评估的步骤：

基于影像指标特征数据集Q_ij优化SSc患者病理特征集Q_cd，获取基准病理特征集；将基准病理特征集进行回归风险预测，获取以影像指标特征数据集Q_ij中特征影像指标为变量，以SSc患者食管动力异常概率P为因变量的基准预测模型；

计算回归风险预测模型相对基准模型的模型改善指数，选取相对基准模型的模型改善指数大于0的评估模型作为最优评估模型。

优选的，所述模型改善指数为净重分类指数NRI和综合判别改善指数IDI中一种或多种。

优选的，计算回归风险预测模型相对基准模型的模型改善指数，包括：使用Matlab软件中R语言包中PredictABEL单元计算模型改善指数。

与现有技术相比，本发明至少可实现如下有益效果之一：

（1）本发明通过构建回归风险预测模型，获取SSc患者常规检查中的胸部CT图像影像学参数，不增加额外的检查手段，即可便捷可靠的完成对SSc患者食管动力的预测；克服了现有技术HRM方法中需要复杂的准备工作或进行食道测压力的精密设备的缺陷；避免了放射性核素诊断和钡餐诊断本身有重金属残留对人体危害较大的问题；同时CT图像可以通过一次照射CT和后续多次对CT图像测量，实现自行校正，克服了现有技术HRM方法为了提高准确率需要多次测量的缺陷。

（2）本发明预测模型中的变量，例如胸部CT图像的影像学参数等，均经定量测量和计算得出；而现有技术中对系统性硬化病食管动力评估主要依赖医务人员的经验判断；因而与现有技术相比，本发明降低了人为因素对实验结果的影响，可以进一步提升系统性硬化病食管动力评估的稳定性和准确率。

（3）本发明采用LASSO 回归方程可以同时对多个SSc的临床指标与影像学指标进行LASSO 回归分析，较现有技术中将SSc的临床指标和影像学指标逐一分析对比的方法，极大提高了分析效率。

（4）本发明采用LASSO 回归方程，同时对多个SSc的临床指标与影像学指标进行LASSO 回归分析，进而构建包含多个SSc的临床指标和影像学指标的评估模型，筛选出绝对值误差（二项式误差）最小的LASSO 回归分析模型；而现有技术中，需要将SSc的临床指标和影像学指标逐一分析对比，因而难以建立包含多个SSc的临床指标和影像学指标的评估模型和评估多个SSc的临床指标、影像学指标对SSc患者食管动力异常概率P的影响，因而难以进一步提升评估模型的评估准确率。

（5）本发明采用的二元logistic 回归风险预测，一方面匹配SSc患者病理特征集中食管动力参数正常”与“ 异常”的二元逻辑分类；另一方面，可以匹配LASSO 回归分析筛选出的变量，弥补了LASSO 回归分析结果无法用简洁的预测函数表达的缺陷；提高了回归风险预测模型的实用性和便捷性。

（6）本发明采用特征影像学指标作为单一变量，构建logistic 回归风险预测模型作为基准模型；同时采用以影像学指标与SSc的临床指标为变量，以SSc患者食管动力异常概率P为因变量构建logistic 回归风险预测模型作为评估模型；同时计算评估模型相对基准模型的模型改善指数；以上方法实现了评估模型相对基准模型改进之处的定量表征，可以直观准确判断评估模型，大大提高了评估模型的筛选效率，降低了人为主观因素影响。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书中所特别指出的内容来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，其中：

图1为本发明的一种实施方式中胸腔CT图像；

图2为本发明的一种实施方式中R语言包中PredictABEL单元的回归风险预测模型的变量输入代码；

图3为本发明的一种实施方式中系统性硬化病食管动力的评估模型的构建方法的流程图。

附图标记

食管1；气管2。

具体实施方式

下面对本发明的优选实施方式进行具体描述，其用于阐释本发明的原理，并非用于限定本发明的范围。

为了准确阐述本发明的实施方案，对相关专业术语做进一步的说明：

高分辨率食管测压（HRM）

采用密集分布的压力传感器同步测量整个食管各通道上的压力数据，并通过计算机软件三维建模实现对食管运动高精度的监测。

间质性肺炎ILD：是以弥漫性肺实质、肺泡炎和间质纤维化为病理基本改变，以活动性呼吸困难、X 线胸片示弥漫阴影、限制性通气障碍、弥散功能降低和低氧血症为临床表现的不同类疾病群构成的临床病理实体的总称。

食管扩张百分比（Percentage dilatation of esophagus，PD）：直径扩张食管CT图像占食管CT图像的总层面数比值。

食管闭合百分比（Percentage of esophageal closure，PC）：食管闭合（食管直径为0）的层面数和食管总层面数的比值，即为食管闭合百分比。

食管最大直径（Maximum width esophageal diameter，MWED）：自胸廓入口至膈裂孔的胸段食管CT图像的范围内的食管内粘膜界限之间的最大距离。

雷诺现象：由微血管系统紊乱所引起的细小动脉痉挛性现象，在寒冷或情绪紧张等刺激下，手指、足趾等部位皮肤出现苍白、紫绀和潮红，并伴随有疼痛和异样感。

身体质量指数(BMI，Body Mass Index)： BMI= 体重(单位Kg) ÷ 身高的平方(单位m)，是国际上常用的衡量人体肥胖程度和是否健康的重要标准。

肺动脉高压（PAH）：在静息状态下个人肺动脉压力超过正常值。

纵隔窗：是胸部CT的检查手段，通过特殊的窗位，使得CT图像中肺部周围的组织，例如，纵隔淋巴结或者血管都可以清晰显示，用于检查食管等非肺部胸腔组织的相关疾病。

胸部CT是SSc患者的常规影像学检查，和食管相关的胸部CT常规的影像学指标包括：食管闭合百分比PC、食管扩张百分比PD和食管最大直径MWED；但是，SSc患者的食管动力研究中影像学指标的诊断价值尚未被揭示。

一方面，本发明公开一种系统性硬化病食管动力的评估模型的构建方法，如图3所示，包括以下步骤：

步骤1：选取SSc患者构建样本集，获取样本集中SSc患者的食管动力参数、影像学指标和临床指标；基于影像学指标、临床指标与SSc患者的食管动力参数的相关性分析，获取样本集中SSc患者的影像指标特征数据集Q_ij和临床指标特征数据集Q_mn，其中，i为特征影像学指标序号；j为食管动力状态序号， j=0或1，j=0表示食管动力正常，j=1表示食管动力异常；Q_ij表示第i个特征影像学指标，在第j个食管动力状态下所有特征影像学指标数值的集合；其中，m为特征临床指标序号；n为食管动力状态序号， n=0或1，n=0表示食管动力正常，n=1表示食管动力异常；Q_mn表示第m个特征临床指标，在第n个食管动力状态下所有临床指标数值的集合。

具体的，SSc患者特征影像学指标的食管动力参数表示该SSc患者特征影像学指标的食管动力异常或正常的状态；SSc患者特征临床指标的食管动力参数表示该SSc患者特征临床指标的食管动力异常或正常的状态。

具体的，特征影像学指标的食管动力参数和特征临床指标的食管动力参数，可以由现有技术中HRM方法进行测定。

实施时，以现有技术中HRM方法作为标准，通过HRM方法测量SSc患者样本集中每一名患者的食管动力参数。

具体的，由SSc患者胸部CT图像获取影像学指标；选用常见SSc的临床病征作为SSc的临床指标。SSc患者胸部CT图像中同时包含系统性硬化病食管动力相关及不相关的指标；SSc的临床指标中包含系统性硬化病食管动力显著相关及不相关的临床指标；因而需要由SSc患者胸部CT图像或SSc的临床指标中获取与系统性硬化病食管动力显著相关的特征影像学指标与特征临床指标。

实施时，基于胸部CT图像的坐标系，由CT图像成像阅片系统自带的标尺手动测量CT图像食管部位的食管内粘膜界限之间的最大距离，由该距离计算获得影像学指标。

具体的，为了提高影像学指标、临床指标与系统性硬化病食管动力相关性分析的准确度，基于影像学指标、临床指标与食管动力参数的分布规律，本实施方式采用非参数检验分析，筛选与系统性硬化病食管动力显著相关的特征影像学指标及特征临床指标。

具体的，将影像学指标与食管动力参数构建以食管动力参数为分类要素的二元逻辑分类，对完成分类的影像学指标采用非参数检验分析，筛选与系统性硬化病食管动力显著相关的特征影像学指标；将SSc临床指标与食管动力参数构建以食管动力参数为分类要素的二元逻辑分类，对完成分类的SSc临床指标采用非参数检验分析，筛选与系统性硬化病食管动力显著相关的特征临床指标。

具体的，将特征影像学指标按照食管动力参数正常和异常分组获取影像指标特征数据集Q_ij；将特征临床指标按照食管动力参数正常和异常分组获取临床指标特征数据集Q_mn。

实施时，将特征影像学指标以i相同为同一行，以j相同为同一列构建影像指标特征数据集Q_ij；将特征临床指标以m相同为同一行，以n相同为同一列构建临床指标特征数据集。

具体的，影像学指标为食管闭合百分比PC、食管扩张百分比PD和食管最大直径MWED中任一种；SSc临床指标为SSc的常见临床病征：年龄、病程、BMI、dcSSc、雷诺现象、毛细血管扩张、指端溃疡、肌炎、ILD、PAH、心包积液中一种或多种。

作为举例，本实施方式提供一个包含75名SSc患者的样本集，其中14名患者食管动力正常，61名患者食管动力异常。

如下表，表1所示，列出了SSc患者的样本集中临床指标与各临床指标的食管动力异常与否的统计结果，为了便于展示，表1中年龄、病程、BMI等特征临床指标，取在第n个食管动力状态下均值；表1中其余特征临床指标，取在第n个食管动力状态下统计分析结果。

表1

由表1可知：SSc患者的食管动力异常受临床指标影响属于二元逻辑分类体系，仅存在食管动力正常和异常两种分类状态，不满足正态分布；为了进一步研究SSc患者的食管动力异常和临床指标关系，因而需要进行不满足正态分布条件下的相关性检验。

优选的，为了对临床指标与SSc患者食管动力异常的相关性，实现更好的预测和分析，本实施方式的相关性检验选用非参数检验，考察非参数检验显著性水平α 值，选择显著性水平α＜0.05的临床指标作为食管动力异常相关的临床指标。

需要说明的是，显著性水平α反映了相关性高低，显著性水平α越小，非参数检验结果的相关性越高。

需要说明的是，本发明二元逻辑分类体系中，非参数检验是利用样本数据对总体分布形态等进行推断的方法，在推断过程中不涉及有关总体分布的参数。

进一步的，基于年龄、指端溃疡等临床指标相互独立，为了更好的反映临床指标的内在联系，临床指标的非参数检验应选择样本间无关联的独立样本分析。

如下表，表2所示，列出了SSc患者胸部CT图像的影像学指标MWED、PD、PC与食管动力异常与否的统计结果，为了便于展示，表2中MWED、PD、PC取Q_mn中第n个食管动力状态下均值。

表2

由表2可知：SSc患者食管动力异常受影像学指标影响，在表2同样不满足正态分布，因而需要进行不满足正态分布条件下的相关性检验。

优选的，为了实现更好的预测，本实施方式选用非参数检验；考察非参数检验显著性水平α 值，选择显著性水平α＜0.05的临床指标作为食管动力异常相关的影像学指标。非参数检验基于总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法，在推断过程中不涉及有关总体分布的参数。

具体的，显著性水平α由进行非参数检验的分析软件给出。

实施时，基于SSc患者胸部CT图像的影像学指标MWED、PD、PC的相关性未知，在非参数检验应选择相关样本分析。

需要说明的是，非参数检验选择独立样本分析或相关样本分析，由变量间相关性决定：针对独立不相关的变量进行非参数检验应选择独立样本分析；针对相关性不确定或明确相关的变量进行非参数检验应选择相关样本分析。本发明中，SSc患者胸部CT图像的影像学指标MWED、PD、PC由SSc患者CT图片获得，来源相同，可能存在潜在相关性，因而其相关性未知；SSc临床指标来源不同，相对独立，因而进行独立样本分析。

具体的，为了保证特征影像学指标及特征临床指标与食管动力较好的相关性，系统性硬化病食管动力显著相关的特征影像学指标及特征临床指标的相关样本分析的显著性水平满足：α＜0.05；其中，α为显著性水平。

需要说明的是，SSc患者胸部CT图像的影像学指标与SSc临床指标包含多种，以上只是做示意性举例。现有技术中，往往通过将SSc影像学指标与SSc临床指标作为变量一一进行回归分析，处理效率较低；如果进一步将SSc影像学指标与SSc临床指标进行组合构建多元回归分析模型，耗费的时间等成本又将进一步增加；本发明通过将胸部CT图像的影像学指标与SSc临床指标与食管动力参数相关性分析，获取显著性水平α，通过显著性水平α筛选胸部CT图像的影像学指标与SSc临床指标，大大降低了构建模型数量，提高了效率。

步骤2：基于Q_mn与Q_ij构建包含特征影像学指标与特征临床指标的SSc患者病理特征集Q_cd，以特征影像学指标与特征临床指标为变量对Q_cd进行LASSO回归分析，获取第一变量集Q_s；其中， c为特征影像学指标序号；d为食管动力状态序号，其中，d=0或1，d=0表示食管动力正常，d=1表示食管动力异常；s为第一变量集中特征变量数量； Q_s表示第一变量集中所有特征变量的集合。

具体的，由Q_mn与Q_ij获取SSc患者病理特征集Q_cd，包括：将影像指标特征数据集Q_ij和临床指标特征数据集Q_mn按照食管动力参数正常和异常分组后获取SSc患者病理特征集Q_cd。

实施时，将影像指标特征数据集Q_ij和临床指标特征数据集Q_mn以j=m=d的数据置于同一列构建SSc患者病理特征集Q_cd；其中，j、m、d数值取0或1，0表示食管动力正常，1表示食管动力异常；j、m、d数值取0或1，因而将所有数据分类成两列 。

具体的，为了增强模型稳定性并筛选最优的LASSO回归模型，LASSO回归分析较多元线性回归增加了惩罚系数；通过调整惩罚系数，输出具有不同变量的LASSO回归模型及模型的原始数据的绝对值误差及惩罚系数对应的特征变量，其中，原始数据的绝对值误差最小时，LASSO回归模型的二项式偏差最小，LASSO回归模型的预测准确度最大。

需要说明的是，LASSO回归分析通过变化惩罚系数进行交叉验证，选取交叉验证二项式偏差最小的惩罚系数，每一个惩罚系数模型有对应的特征变量。LASSO回归分析筛选出的特征变量较原有特征变量数量大大减少，实现变量筛选和数据降维处理；基于筛选出的特征变量进一步构建SSc患者动力异常发生概率预测模型，有助于进一步提高模型预测准确率。具体的，调整LASSO回归分析的惩罚系数，获取LASSO回归分析的二项式偏差最小值对应的LASSO回归分析模型；由二项式偏差的最小值对应的LASSO回归分析模型获取对应的特征变量，由该特征变量获取第一变量集。

具体的，LASSO回归分析可以由Matlab软件R包中PredictABEL函数计算工具包实现。

实施时，PredictABEL函数计算工具包自动调整惩罚系数，并获得二项式偏差最小值及对应的惩罚系数，同时输出对应的LASSO回归分析模型及其变量，由LASSO回归分析模型的变量构成第一变量集。

步骤3：基于第一变量集Q_s优化SSc患者病理特征集Q_cd，获取仅包含第一变量集中变量对应的数据的目标病理特征集；将目标病理特征集进行回归风险预测，获取以第一变量集为变量，以SSc患者食管动力异常概率P为因变量的回归风险预测模型。

具体的，SSc患者病理特征集的优化方式包括：对SSc患者病理特征集中特征影像学指标、特征影像学指标的食管动力参数、特征临床指标及特征临床指标的食管动力参数筛选，仅保留第一变量集及第一变量集对应的食管动力参数。

实施时，包含以下步骤：

若Q_cd中，第c个变量和Q_s中第s个变量相同，保留Q_cd中第c个变量对应的所有数据；

若Q_cd中，第c个变量和Q_s中第s个变量不同，删除Q_cd中第c个变量对应的所有数据；

对Q_cd中所有变量按照上述步骤处理后构建目标病理特征集。

具体的，步骤3所述回归风险预测为logistic回归风险预测。

需要说明的是，步骤2中LASSO 回归分析擅长从多种变量组合中筛选出最佳匹配的变量集作为线性回归预测模型的变量，但LASSO 回归分析不能用简洁的预测函数表达SSc患者的食管动力异常概率P；因而需要进一步将变量集和食管动力异常概率P进行线性回归预测；同时基于SSc患者病理特征集Q中存在食管动力参数“正常”与“异常”的二元逻辑分类，因而选取具有二元逻辑判断功能的二元logistic回归风险预测。

具体的，将目标病理特征集进行回归风险预测，包括：

将目标病理特征集作为待分析数据，进行二元logistic 回归风险预测分析，获取以第一变量集的特征为变量，以SSc患者食管动力异常概率P为因变量的logistic 回归风险预测模型。

SSc患者食管动力异常概率P满足：P=e^x/ （1+e^x），x=a₀+a₁×b₁+a₂×b₂+...+a_s×b_s；其中，b₁，...，b_s为第一变量集中变量数值；a₀为截距；a₁，...，a_s为b₁，...，b_s对应的系数，s表示第一变量集中变量数量。

具体的，二元logistic 回归风险预测可以由SPSS软件中二元logistic 回归单元实现。

与现有技术相比，本发明通过构建回归风险预测模型，获取SSc患者常规检查中的胸部CT图像影像学参数，不增加额外的检查手段，即可便捷可靠的完成对SSc患者食管动力的预测；克服了现有技术HRM方法中需要复杂的准备工作或进行食道测压力的精密设备的缺陷；避免了放射性核素诊断和钡餐诊断本身有重金属残留对人体危害较大的问题；同时CT图像可以通过一次照射CT和后续多次对CT图像测量，实现自行校正，克服了现有技术HRM方法为了提高准确率需要多次测量的缺陷。

与现有技术相比，本发明通过对SSc的临床指标、SSc患者胸部CT图像的影像学指标非参数检验，从中筛选出与食管动力异常显著相关的临床指标或影像学指标，极大降低了后续构建模型分析的工作量，提高了处理效率。

与现有技术相比，本发明预测模型中的变量，例如胸部CT图像的影像学参数等，采用定量测量和计算得出；而现有技术中对系统性硬化病食管动力评估主要依赖医务人员的经验判断；因而与现有技术相比，本发明降低了人为因素对实验结果的影响，可以进一步提升系统性硬化病食管动力评估的稳定性和准确率。

与现有技术相比，本发明采用LASSO 回归方程可以同时对多个SSc的临床指标与影像学指标进行LASSO 回归分析，较现有技术中将SSc的临床指标和影像学指标逐一分析对比的方法，极大提高了分析效率。

与现有技术相比，本发明采用LASSO 回归方程，同时对多个SSc的临床指标与影像学指标进行LASSO 回归分析，进而构建包含多个SSc的临床指标和影像学指标的评估模型，筛选出绝对值误差（二项式误差）最小的LASSO 回归分析模型；而现有技术中，需要将SSc的临床指标和影像学指标逐一分析对比，因而难以建立包含多个SSc的临床指标和影像学指标的评估模型和评估多个SSc的临床指标、影像学指标对SSc患者食管动力异常概率P的影响，因而难以进一步提升评估模型的评估准确率。

与现有技术相比，本发明采用的二元logistic 回归风险预测，一方面匹配SSc患者病理特征集中食管动力参数“正常”与“异常”的二元逻辑分类；另一方面，可以匹配LASSO回归分析筛选出的变量，弥补了LASSO 回归分析结果无法用简洁的预测函数表达的缺陷；提高了回归风险预测模型的实用性和便捷性。

具体的，步骤1包括以下步骤：

S1、获取样本集中SSc患者的食管动力参数：

具体的，对样本集中SSc患者采用HRM法同步测量整个食管各通道上的压力数据，并通过计算机软件三维建模实现对监测位置食管运动三维坐标高精度的测量，进而实现食管动力异常的诊断。

需要说明的是，HRM法已经作为食管动力异常诊断的标准方法，本发明需要在构建SSc食管动力异常预测模型过程时作为标准，在完成SSc食管动力异常预测模型构建后，不再需要借助HRM法进行食管动力异常诊断。

S2、获取影像指标特征数据集：

具体的，对样本集中SSc患者，通过SSc患者胸部CT图像获取影像学指标，对影像学指标和SSc患者的食管动力参数进行非参数检验的相关样本分析获取特征影像学指标，基于SSc患者的食管动力参数对特征影像学指标分类获取影像指标特征数据集Q_ij。

实施时，基于样本集中SSc患者的食管动力参数不同，按照食管动力参数为0或1，将每一项影像学指标统计SSc患者食管动力正常与异常数量，按照食管动力参数不同划分为两列。进一步的，将完成分列的影像学指标和SSc患者的食管动力参数，进行非参数检验的相关样本分析获取影像指标特征数据集Q_ij。

S3、获取临床指标特征数据集：

具体的，对样本集中SSc患者的SSc临床指标和SSc患者的食管动力参数进行非参数检验的独立样本分析，获取特征临床指标，基于SSc患者的食管动力参数对特征临床指标分类获取临床指标特征数据集Q_mn。

实施时，基于样本集中SSc患者的食管动力参数不同，按照食管动力参数为0或1，将每一项SSc临床指标统计SSc患者食管动力正常与异常数量，按照食管动力参数不同划分为两列。进一步的，将完成分列的SSc临床指标和SSc患者的食管动力参数，进行非参数检验的相关样本分析获取临床指标特征数据集Q_mn。

具体的，S2所述非参数检验的相关样本分析包括：

S201：获取SSc患者胸部CT图像；

具体的，将SSc患者自胸廓入口至膈裂孔的胸段食管按照0.5 mm ~5mm的间隔拍摄，获取SSc患者胸部CT图像并设置为纵隔窗。其中，纵隔窗的设置有助于清晰的在CT图像显示食管结构；0.5 mm ~5mm的拍摄间隔可以防止重要信息遗漏并保证较好的拍摄效率。

S202：根据胸部CT图像获得影像学指标；

具体的，影像学指标包括食管闭合百分比PC、食管扩张百分比PD和食管最大直径MWED中一种或多种。

具体的，基于胸部CT图像的坐标系，可以由CT图像成像系统标尺测量胸部CT图像的参数，经计算获得影像学指标，包括：

食管闭合百分比PC的测量：记录CT图像中食管闭合（食管直径为0）的层面数，食管闭合（食管直径为0）的层面数和食管总层面数的比值，即为食管闭合百分比；PC=食管闭合（食管直径为0）的层面数/食管总层面数。

食管扩张百分比PD的测量：记录自胸廓入口至膈裂孔的胸段食管CT图像的总层面数，同时测量每个层面食管直径（即在不接触食管壁的情况下测量食管空隙的最长距离），并记录出食管直径超过10mm的层面数；计算食管直径超过10mm的层面数与食管CT图像的总层面数的比值，该比值即为食管扩张百分比；PD=食管直径超过10mm的层面数/食管CT图像的总层面数。

食管最大直径MWED的测量：测量各层食管的CT图像的食管内粘膜界限之间的最大距离，选择各层食管的食管内粘膜界限之间的最大距离作为MWED。

作为举例，如图1所示的，设置为纵隔窗的SSc患者胸部单层CT图像：1为食管，2为气管；借助CT图像成像系统标尺测量该层CT图像中食管内粘膜界限之间的最大距离。

S203：对影像学指标进行非参数检验获取特征影像学指标；基于SSc患者的食管动力参数对特征影像学指标分类获取影像指标特征数据集Q_ij；

具体的，基于影像学指标及对应的食管动力参数的非正态分布和影像学指标间相互关联的特性，将影像学指标及对应的食管动力参数进行非参数检验的相关样本分析。

具体的，将特征影像学指标按照食管动力参数正常和异常分组获取影像指标特征数据集Q_ij；

具体的，S203包括以下步骤：

S2031：将上述获得的SSc患者的影像学指标及SSc患者的食管动力参数进行统计，记录具有相同影像学指标及食管动力参数的SSc患者的数量获取影像学指标数据集。

S2032：将影像学指标数据集输入分析软件，如SPSS软件，利用非参数检验选择相关样本分析，获取显著性水平α，筛选显著性水平α<0.05的影像学指标作为特征影像学指标；

S2033：将特征影像学指标以i相同为同一行，以j相同为同一列构建影像指标特征数据集Q_ij。

作为举例，如表3所示，本实施方式公开一种影像学指标数据集，通过记录具有相同影像学指标及食管动力参数的SSc患者的数量获取影像学指标数据集，并通过非参数检验的相关样本分析获得显著性水平α＜0.05的影像学指标作为特征影像学指标；进一步将特征影像学指标以i相同为同一行，以j相同为同一列构建影像指标特征数据集Q_ij。

表3

筛选显著性水平α<0.05的影像学指标作为特征影像学指标，如表3所示：食管闭合百分比PC、食管扩张百分比PD和食管最大直径MWED显著性水平α均满足要求。因而，食管闭合百分比PC、食管扩张百分比PD和食管最大直径MWED可以作为特征影像学指标。与现有技术相比，本发明采用食管最大直径MWED等指标作为系统性硬化病食管动力评估参数，相应指标经定量测量和计算得出；而现有技术中对系统性硬化病食管动力评估主要依赖医务人员的经验判断；因而和现有技术相比，本发明降低了人为因素对实验结果的影响，可以进一步提升系统性硬化病食管动力评估的稳定性和准确率。

具体的，S3所述获取临床指标特征数据集，包括：

S301：以SSc的临床病征，作为SSc的临床指标；

具体的，选取SSc的常见临床病征：年龄、病程、BMI、dcSSc、

雷诺现象、毛细血管扩张、指端溃疡、肌炎、ILD、PAH、心包积液，作为SSc的临床指标。

S302：对特征临床指标进行非参数检验获取特征临床指标；基于SSc患者的食管动力参数对特征临床指标分类获取临床指标特征数据集Q_mn；

具体的，基于临床指标及对应的食管动力参数的非正态分布和临床指标间相互独立的特性，将临床指标及对应的食管动力参数进行非参数检验的独立样本分析。

具体的，将特征临床指标按照食管动力参数正常和异常分组获取临床指标特征数据集。

具体的，S302包括以下步骤：

S3021：将上述获得的SSc患者的临床指标及SSc患者的食管动力参数进行统计，记录具有相同临床指标及食管动力参数的SSc患者的数量获取临床指标数据集；

S3022：将临床指标数据集输入分析软件，例如SPSS，非参数检验选择独立样本分析，筛选显著性水平α＜0.05的影像学指标作为特征影像学指标；

S3023：将特征影像学指标以m相同为同一行，以n相同为同一列构建影像指标特征数据集。

作为举例，如表4所示，本实施方式公开一种临床特征数据集，通过记录具有相同临床指标及食管动力参数的SSc患者的数量获取临床指标数据集，并将非参数检验选择独立样本分析通过非参数检验选择独立样本分析获得显著性水平α；进一步以m相同为同一行，以n相同为同一列构建临床指标特征数据集Q_mn。

表4

筛选显著性水平α＜0.05的影像学指标作为特征临床指标，如表4所示：病程、ILD的显著性水平α均满足要求。因而，病程、ILD可以作为特征临床指标。

与现有技术相比，本发明通过对临床指标进行相关性分析，排除了和SSc疾病不相关的临床指标，大大简化了后续需要处理的临床指标数量，提高了对系统性硬化病食管动力的评估效率。

具体的，为了提高SSc患者食管动力异常概率P满足预测准确度，需要筛选出回归风险预测模型的最优变量，步骤2包括以下步骤：

S4、构建SSc患者病理特征集Q_cd：

将影像指标特征数据集Q_ij和临床指标特征数据集Q_mn按照食管动力参数正常和异常分组后，将影像指标特征数据集Q_ij和临床指标特征数据集Q_mn以j=n的数据置于同一列构建SSc患者病理特征集Q_cd。

S5、对Q_cd进行LASSO回归分析，获取第一变量集：

将SSc患者病理特征集Q_cd代入分析软件包进行LASSO回归分析，调整LASSO回归分析的惩罚系数，获取LASSO回归模型的二项式偏差最小时惩罚系数，由分析软件包输出最优变量，由最优变量构成第一变量集。

具体的，LASSO回归分析可以由Matlab软件中，R包的PredictABEL函数计算工具包实现。

实施时：将SSc患者病理特征集Q_cd代入PredictABEL函数计算工具包，以特征临床指标与特征影像学指标作为变量，生成LASSO 回归方程。

作为举例，如表5所示，将影像指标特征数据集Q_ij和临床指标特征数据集Q_mn以j=n的数据置于同一列构建SSc患者病理特征集Q_cd：

表5

进一步的，将患者病理特征集Q_cd进行LASSO回归分析，在惩罚系数为0.022，获取LASSO回归模型的二项式偏差最小，由PredictABEL函数计算工具包输出最优变量如表6所示：第一变量集包含MWED、病程及ILD。

表6

和现有技术相比，本发明采用LASSO 回归方程可以同时对可能对影像学指标产生影响的多个SSc的临床指标进行分析，较现有技术中将SSc的临床指标和影像学指标逐一分析对比的方法相比，极大提高了分析效率。现有技术中将SSc的临床指标和影像学指标逐一分析对比的方法难以评估多个SSc的临床指标同时对影像学指标的影响，因而难以建立包含多个SSc的临床指标和影像学指标的评估模型，因而难以进一步提升评估模型的评估准确率。

具体的，为了弥补LASSO 回归分析不能用简洁的预测函数表达SSc患者的食管动力异常概率P的缺陷，步骤3包含以下步骤：

S6、构建目标病理特征集，包含以下步骤：

S601：若Q_cd中，第c个变量和Q_s中第s个变量相同，保留Q_cd中第c个变量对应的所有数据；

S602：若Q_cd中，第c个变量和Q_s中第s个变量不同，删除Q_cd中第c个变量对应的所有数据；

S603：对Q_cd中所有变量按照上述步骤处理后构建目标病理特征集。

作为举例，如表7所示，利用第一变量集对Q_cd中所有变量按照上述步骤处理后构建目标病理特征集，包含：食管动力参数分组的MWED、病程及ILD数据值。

表7

进一步的，S7、将目标病理特征集代入分析软件，获取以SSc患者食管动力异常概率P为因变量的logistic 回归风险预测模型，并将该logistic 回归风险预测模型作为评估模型。

具体的，分析软件可选SPSS软件。

作为举例，如表8所示：

表8

SSc病程、ILD参数、MWED参数的显著性水平均满足<0.05，显著性水平较高，满足要求。构建包含SSc病程、ILD参数、MWED参数的模型一的P满足：P=e^x/ （1+e^x），x=-4.975+0.182×SSc病程+0.372 ×ILD 参数+0.376×MWED。

另一方面，本发明还公开一种系统性硬化病食管动力的评估模型的构建方法，除步骤1-步骤3外，还包括构建基准模型和将评估模型相对基准模型改善效果评估的步骤：

步骤4、基于影像指标特征数据集Q_ij优化SSc患者病理特征集Q_cd，获取基准病理特征集；将基准病理特征集进行回归风险预测，获取以影像指标特征数据集Q_ij中特征影像指标为变量，以SSc患者食管动力异常概率P为因变量的基准预测模型。

具体的，影像指标特征数据集Q_ij优化SSc患者病理特征集Q_cd的方式包括：对SSc患者病理特征集中特征影像学指标、特征影像学指标的食管动力参数、特征临床指标及特征临床指标的食管动力参数筛选，仅保留特征数据集Q_ij中特征影像指标及对应的食管动力参数。

实施时，包含以下步骤：

若Q_cd中，第c个变量和Q_ij中第i个变量相同，保留Q_cd中第c个变量对应的所有数据；

若Q_cd中，第c个变量和Q_ij中第i个变量不同，删除Q_cd中第c个变量对应的所有数据；

对Q_cd中所有变量按照上述步骤处理后构建基准病理特征集。

具体的，基准病理特征集进行回归风险预测的分析方式为二元logistic回归风险预测；二元logistic 回归风险预测可以由SPSS软件中二元logistic 回归单元实现。

作为举例，按上述方法获取以影像指标特征数据集Q_ij中特征影像指标为变量，以SSc患者食管动力异常概率P为因变量的基准预测模型：

模型二-SSc患者食管动力异常概率P满足：P=e^x/（1+e^x），x=-4.106+0.370 ×MWED，MWED 单位为 mm。

模型三-SSc患者食管动力异常概率P满足：P=e^x/（1+e^x），x=-1.500+0.160 ×PD。

影像指标为MWED 的SSc患者食管动力异常基准模型的显著性水平均满足＜0.05；影像指标为PD 的SSc患者食管动力异常基准模型的显著性水平均满足＜0.05；这说明模型二与模型三的显著性水平较高，满足构建模型的要求。

步骤5、计算回归风险预测模型相对基准模型的模型改善指数，选取相对基准模型的模型改善指数大于0的评估模型作为最优评估模型。

具体的，步骤5中模型改善指数可选净重分类指数NRI和综合判别改善指数IDI中一种或多种。

具体的，净重分类指数NRI和综合判别改善指数IDI常用于比较模型改善效果；改进模型较原模型的NRI和IDI大于0则表示：改进模型较原模型的预测准确度有改善。

具体的，步骤5中NRI和IDI通过R语言包中PredictABEL单元实现，具体包含以下步骤：

S8、对样本集中SSc患者编号，向R语言包中输入样本集中每一个SSc患者病影像学指标与临床指标；其中，食管动力参数设置为0或1，食管动力参数为0，表示该SSc患者食管动力正常；食管动力参数为1，表示该SSc患者食管动力异常；

S9、通过R语言包中PredictABEL单元中fml函数确定回归风险预测模型的变量，构建logistic 回归风险预测模型；

具体的，在函数fml.std下输入食管动力参数和旧有logistic 回归风险预测模型的变量；在函数fml.new下输入食管动力参数和改进后logistic 回归风险预测模型的变量；

S10、通过R语言包中PredictABEL单元计算获取NRI和IDI。

作为举例，如图2所示，示例性的在函数fml.std下输入模型二的食管动力参数和模型二的变量：食管动力参数~MWED；在函数fml.new下输入模型一的食管动力参数和改进后模型一的变量：食管动力参数~MWED+SSc病程+ILD参数。

通过R语言包中PredictABEL单元计算获取NRI和IDI，如表9所示：

表9

结果显示：模型一相对模型二的净重分类指数NRI和综合判别改善指数IDI均大于0，说明模型一较模型二具有较好的改善效果；模型一相对模型二的净重分类指数NRI和综合判别改善指数IDI均大于0，说明模型一较模型二具有较好的改善效果。

与现有技术相比，本发明采用特征影像学指标作为单一变量，构建logistic 回归风险预测模型作为基准模型；同时采用以影像学指标与SSc的临床指标为变量，以SSc患者食管动力异常概率P为因变量构建logistic 回归风险预测模型作为评估模型；同时计算评估模型相对基准模型的模型改善指数；以上方法实现了评估模型相对基准模型改进之处的定量表征，可以直观准确判断评估模型，大大提高了评估模型的筛选效率，降低了人为主观因素影响。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.系统性硬化病食管动力的评估模型的构建方法，其特征在于，包含以下步骤：

选取SSc患者构建样本集，获取样本集中SSc患者的食管动力参数、影像学指标和临床指标；基于影像学指标、临床指标与SSc患者的食管动力参数的相关性分析，获取样本集中SSc患者的影像指标特征数据集Q_ij和临床指标特征数据集Q_mn，其中，i为特征影像学指标序号；j为食管动力状态序号，j=0或1，j=0表示食管动力正常，j=1表示食管动力异常；Q_ij表示第i个特征影像学指标，在第j个食管动力状态下所有特征影像学指标数值的集合；其中，m为特征临床指标序号；n为食管动力状态序号， n=0或1，n=0表示食管动力正常，n=1表示食管动力异常；Q_mn表示第m个特征临床指标，在第n个食管动力状态下所有临床指标数值的集合；

基于Q_mn与Q_ij构建包含特征影像学指标与特征临床指标的SSc患者病理特征集Q_cd，以特征影像学指标与特征临床指标为变量，对Q_cd进行LASSO回归分析，获取第一变量集Q_s；其中，c为特征影像学指标序号；d为食管动力状态序号，其中，d=0或1，d=0表示食管动力正常，d=1表示食管动力异常；s为第一变量集中特征变量数量； Q_s表示第一变量集中所有特征变量的集合；

基于第一变量集Q_s优化SSc患者病理特征集Q_cd，获取仅包含第一变量集中变量对应的数据的目标病理特征集；将目标病理特征集进行回归风险预测，获取以第一变量集为变量，以SSc患者食管动力异常概率P为因变量的回归风险预测模型。

2.根据权利要求1所述的构建方法，其特征在于，获取影像指标特征数据集Q_ij和临床指标特征数据集Q_mn，包括以下步骤：

获取样本集中SSc患者的食管动力参数：

采用HRM法诊断SSc患者的食管动力，获得SSc患者的食管动力参数；

获取影像指标特征数据集：

通过SSc患者胸部CT图像获取影像学指标，对影像学指标和SSc患者的食管动力参数进行非参数检验的相关样本分析获取特征影像学指标，基于SSc患者的食管动力参数对特征影像学指标分类获取影像指标特征数据集Q_ij；

获取临床指标特征数据集：

对SSc临床指标和SSc患者的食管动力参数进行非参数检验的独立样本分析获取特征临床指标，基于SSc患者的食管动力参数对特征临床指标分类获取临床指标特征数据集Q_mn。

3.根据权利要求2所述的构建方法，其特征在于，非参数检验的相关样本分析的显著性水平α满足：α＜0.05；非参数检验的独立样本分析的显著性水平α满足：α＜0.05。

4.根据权利要求2所述的构建方法，其特征在于，所述影像学指标为食管闭合百分比PC、食管扩张百分比PD和食管最大直径MWED中任一种；所述SSc临床指标为：年龄、病程、BMI、dcSSc、雷诺现象、毛细血管扩张、指端溃疡、肌炎、ILD、PAH、心包积液中一种或多种。

5.根据权利要求1所述的构建方法，其特征在于，获取第一变量集Q_s，包括以下步骤：

构建SSc患者病理特征集Q_cd：

将影像指标特征数据集Q_ij和临床指标特征数据集Q_mn以j=n的数据置于同一列构建SSc患者病理特征集Q_cd；

对Q_cd进行LASSO回归分析，获取第一变量集：

将SSc患者病理特征集Q_cd代入分析软件包进行LASSO回归分析，调整LASSO回归分析的惩罚系数，获取LASSO回归模型的二项式偏差最小时惩罚系数，由分析软件包输出最优变量，由最优变量构成第一变量集。

6.根据权利要求5所述的构建方法，其特征在于，所述分析软件包包括PredictABEL函数计算工具包。

7.根据权利要求6所述的构建方法，其特征在于，所述以SSc患者食管动力异常概率P为因变量的回归风险预测模型，满足：

P=e^x/ （1+e^x），x=a₀+a₁×b₁+a₂×b₂+，...，+a_s×b_s；其中，b₁，...，b_s为第一变量集中变量数值；a₀为截距；a₁，...，a_s为b₁，...，b_s对应的系数，s表示第一变量集中变量数量。

8.根据权利要求1-7任一项所述的构建方法，其特征在于，所述构建方法还包括构建基准模型和将评估模型相对基准模型改善效果评估的步骤：

基于影像指标特征数据集Q_ij优化SSc患者病理特征集Q_cd，获取基准病理特征集；将基准病理特征集进行回归风险预测，获取以影像指标特征数据集Q_ij中特征影像指标为变量，以SSc患者食管动力异常概率P为因变量的基准预测模型；

计算回归风险预测模型相对基准模型的模型改善指数，选取相对基准模型的模型改善指数大于0的评估模型作为最优评估模型。

9.根据权利要求8所述的构建方法，其特征在于，所述模型改善指数为净重分类指数NRI和综合判别改善指数IDI中一种或多种。

10.根据权利要求9中所述的构建方法，其特征在于，计算回归风险预测模型相对基准模型的模型改善指数，包括：使用Matlab软件计算模型改善指数。

Images