CN113539443A - 一种预测动脉瘤闭塞的方法、装置以及设备 - Google Patents

Abstract

本说明书实施例公开了一种预测动脉瘤闭塞的方法、装置以及设备。所述方法包括：获取待处理的影像数据；将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。采用本说明书实施例提供的方法，能够可靠、简单的进行动脉瘤闭塞的预测，而且容易记忆，对基于血流导向装置的相关治疗及血管造影结果具有预测价值。

Description

一种预测动脉瘤闭塞的方法、装置以及设备

技术领域

本说明书涉及医学影像及人工智能领域，尤其涉及一种预测动脉瘤闭塞的方法、装置以及设备。

背景技术

近年来，血流导向装置在颅内动脉瘤的治疗中的应用已经得到了广泛的认可，其总体的颅内动脉瘤闭塞治愈率高达75.0％以上。血流导向装置治疗颅内动脉瘤的治疗效果评价的指标之一是进行评分。

目前，现有的血流导向装置植入后动脉瘤闭塞的评价方法包括：O’Kelly-Marotta(OKM)评分、Kamran评分、Measurement of Aneurysm Residual after Treatment(SMART)评分以及FDSS评分。其中，O’Kelly-Marotta(OKM)评分、Kamran评分以及Measurement ofAneurysm Residual after Treatment(SMART)评分均为描述性评价***，将血流导向装置植入后动脉瘤的影像学表现进行评价，然而这三种方法没有随访结果对其评分***进行验证。The Flow-Diverting Stent Score(FDSS)评分***应用多因素分析结果对血流导向装置植入后动脉瘤的闭塞进行预测，其弥补了上述三种评分***对于动脉瘤闭塞结果预测的不足；然而，FDSS评分***的基础是Raymond score评分，而Raymond score评分的设计目的是评价动脉瘤弹簧圈栓塞后的影像学表现，其并不适用于血流导向装置植入后动脉瘤的影像学表现评价。现有的四种评分方法，缺乏足够的准确性和适用性，因此在临床实践中没有得到广泛的推广，无法满足临床工作的需求。

因此，现有一种新的预测方法，能够可靠、简单、容易记忆，并对治疗相关风险及血管造影结果具有预测价值。

发明内容

本说明书实施例提供一种预测动脉瘤闭塞的方法、装置以及设备，用于解决以下技术问题：现有的评分方法，缺乏足够的准确性和适用性，在临床实践中没有得到广泛的推广，无法满足临床工作的需求。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供一种预测动脉瘤闭塞的方法，包括：

获取待处理的影像数据；

将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；

基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

进一步地，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，具体包括：

获取基于血流导向装置进行治疗的患者的临床数据和影像数据，对所述临床数据和影像数据进行分组，获得推导组数据和验证组数据，其中，所述推导组数据和所述验证组数据的基线数据相同；

基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量；

基于所述预测变量的相对回归系数确定所述各个预测变量的评分，将所述各个预测变量的评分的总和作为预测总分数；

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建。

进一步地，所述临床数据和影像数据包括：

连续变量和分类变量；

其中：

所述连续变量包括：年龄、动脉瘤最大直径、瘤颈宽度、载瘤动脉直径中的一种或几种；

所述分类变量包括：辅助弹簧圈治疗、合并分支血管、性别、既往治疗史、梭形形态、吸烟史、多个血流导向装置植入中的一种或几种。

进一步地，所述基于血流导向装置进行治疗的患者的临床数据和影像数据，进行分组，获得推导组数据和验证组数据，进一步包括：

若所述推导组数据和所述验证组数据的基线不同，则对所述基于血流导向装置进行治疗的患者的临床数据和影像数据重新进行分组，以便所述推导组数据和所述验证组数据的基线数据相同。

进一步地，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，具体包括：

基于所述推导组数据，进行单因素分析，获得用于评分的潜在预测变量；

基于所述潜在预测变量，进行多因素逻辑回归分析，获得用于评分的预测变量。

进一步地，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，进一步包括：

通过Hosmer-Lemeshow进行统计分析，以Cox和Snell R²以及Nagelkerke R²作为拟合优度度量，对所述多因素逻辑回归分析所采用的多因素逻辑回归模型进行校准，获得校准的逻辑回归模型，所述校准的逻辑回归模型作为最终的逻辑回归模型。

进一步地，所述基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建，具体包括：

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，采用动脉瘤闭塞的预测公式，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建；

其中，所述动脉瘤闭塞的预测公式的表达式为：

预测动脉瘤闭塞的概率；

β_i为各预测变量的回归系数；

W_ij为各预测变量的参考值；

B为各预测变量对应的常数。

进一步地，所述评分模型包括推导模型工具和风险预测工具；

其中，

所述推导模型工具用于对所述待处理的影像数据进行评分；

所述风险预测工具用于预测所述待处理的影像数据对应的动脉瘤闭塞的概率。

本说明书实施例还提供一种预测动脉瘤闭塞的装置，包括：

获取模块，获取待处理的影像数据；

评分模块，将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；

预测模块，基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

本说明书实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据；

将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；

基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

本说明书实施例提供的一种预测动脉瘤闭塞的方法、装置以及设备，通过获取待处理的影像数据；将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。采用本说明书实施例提供的方法，能够可靠、简单的进行动脉瘤闭塞的预测，而且容易记忆，对基于血流导向装置的相关治疗及血管造影结果具有预测价值。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种预测动脉瘤闭塞的方法的示意图；

图2为本说明书实施例提供的推导模型工具的示意图；

图3为本说明书实施例提供的风险预测工具的示意图；

图4为本说明书实施例提供的评分模型的组成结构的示意图；

图5为本说明书实施例提供的评分模型的使用方法的示意图；

图6为本说明书实施例提供的一种预测动脉瘤闭塞的装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1为本说明书实施例提供的一种预测动脉瘤闭塞的方法的示意图，如图1所示，该方法包括：

步骤S101：获取待处理的影像数据。

在本说明书实施例中，待处理的影像数据为2D-DSA影像数据，而且该影像数据是基于血流导向装置的影像数据，或者说是植入血流导向装置后的影像数据。

步骤S103：将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态。

在本说明书实施例中，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，具体包括：

获取基于血流导向装置进行治疗的患者的临床数据和影像数据，对所述临床数据和影像数据进行分组，获得推导组数据和验证组数据，其中，所述推导组数据和所述验证组数据的基线数据相同；

基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量；

基于所述预测变量的相对回归系数确定所述各个预测变量的评分，将所述各个预测变量的评分的总和作为预测总分数；

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建。

在本说明书的一个实施例中，获取基于血流导向装置进行治疗的患者的临床数据和影像数据，对所述临床数据和影像数据进行分组，获得推导组数据和验证组数据，具体地，选取70％的基于血流导向装置进行治疗的患者的临床数据和影像数据作为推导组数据，用于构建评分模型；选取30％的基于血流导向装置进行治疗的患者的临床数据和影像数据作为验证组数据，用于对评分模型进行验证。需要特别说明的是，基于血流导向装置进行治疗的患者的临床数据和影像数据的临床数据和影像数据应该是完整的。

在本说明书实施例中，所述临床数据和影像数据包括：

连续变量和分类变量；

其中：

所述连续变量包括：年龄、动脉瘤最大直径、瘤颈宽度、载瘤动脉直径中的一种或几种；

所述分类变量包括：辅助弹簧圈治疗、合并分支血管、性别、既往治疗史、梭形形态、吸烟史、多个血流导向装置植入中的一种或几种。

具体地，连续变量中的年龄，及分类变量的所有指标均来自于临床数据；连续变量中的动脉瘤最大直径、瘤颈宽度、载瘤动脉直径来在于影像数据。由影像数据计算获得动脉瘤最大直径、瘤颈宽度、载瘤动脉直径的具体方式并不构成对本申请的限定。

需要特别说明的是，临床数据的描述方式包括：百分比、平均值±标准差、中位数和四分位区间。

分类变量的表示方式为0或1，用于标识是否具有分类变量的相关指标，具体地，是否有辅助弹簧圈治疗，是否有合并分支血管，性别为男或者女，是否具有既往病史，是否为梭形动脉瘤，是否有吸烟史，是否有多个血流导向装置植入。

在本说明书实施例中，所述基于血流导向装置进行治疗的患者的临床数据和影像数据，进行分组，获得推导组数据和验证组数据，进一步包括：

若所述推导组数据和所述验证组数据的基线不同，则对所述基于血流导向装置进行治疗的患者的临床数据和影像数据重新进行分组，以便所述推导组数据和所述验证组数据的基线数据相同。

在具体实施例中，分类变量采用Fisher精确检验或Pearson检验进行卡方检验，连续变量采用Mann-Whitney U检验或Student t检验进行组间比较，比较推导组数据与验证组数据的基线数据是否有统计学差异。若基线数据相同，则可用于后续评分模型的构建；若基线数据不同，则需要将基于血流导向装置进行治疗的患者的临床数据和影像数据重新随机分组，直至推导组数据与验证组数据的基线数据相同。

在本说明书实施例中，基线数据是指用于评分模型构建的患者的数据情况，具体的是指，推导组数据和验证组数据所包括的连续变量和分类变量的数据情况。

在本说明书实施例中，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，具体包括：

基于所述推导组数据，进行单因素分析，获得用于评分的潜在预测变量；

基于所述潜在预测变量，进行多因素逻辑回归分析，获得用于评分的预测变量。

具体地，基于所述推导组数据，采用单因素逻辑回归模型，进行单因素分析，将具有统计学显著性(P＜0.05)的变量，作为用于评分的潜在预测变量。

基于所述潜在预测变量，采用多因素逻辑回归模型，进行多因素逻辑回归分析，获得用于评分的预测变量。

需要特别说明的是，不管是单因素逻辑回归模型还是多因素逻辑回归模型，均遵循遵循Wilson等人描述的Framingham心脏病研究的推导模型。

在本说明书实施例中，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，进一步包括：

通过Hosmer-Lemeshow进行统计分析，以Cox和Snell R²以及Nagelkerke R²作为拟合优度度量，对所述多因素逻辑回归分析所采用的多因素逻辑回归模型进行校准，获得校准的逻辑回归模型，所述校准的逻辑回归模型作为最终的逻辑回归模型。

需要特别说明的是，通过Hosmer-Lemeshow进行统计分析，以Cox和Snell R²以及Nagelkerke R²作为拟合优度度量，若拟合优度不满足预设条件，则对所述多因素逻辑回归模型进行校准。若拟合优度满足预设条件，则不需要对所述多因素逻辑回归模型进行校准。在具体实施例中，预设条件可以人为设定。

在本说明书实施例中，所述基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建，具体包括：

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，采用动脉瘤闭塞的预测公式，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建；

其中，所述动脉瘤闭塞的预测公式的表达式为：

预测动脉瘤闭塞的概率；

β_i为各预测变量的回归系数；

W_ij为各预测变量的参考值；

B为各预测变量对应的常数。

在本说明书实施例中，所述评分模型包括推导模型工具和风险预测工具；

其中，

所述推导模型工具用于对所述待处理的影像数据进行评分；

所述风险预测工具用于预测所述待处理的影像数据对应的动脉瘤闭塞的概率。

步骤S105：基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

在本说明书实施例中，基于评分结果，利用风险预测工具，即可获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

为了进一步理解本说明书实施例提供的预测动脉瘤闭塞的方法，下面将结合实施例予以说明。

图2为本说明书实施例提供的推导模型工具的示意图。如图2所示，β_i为逻辑回归模型各预测变量的回归系数。需要特别说明的是，β_i分别用单变量逻辑回归模型和多变量逻辑回归模型计算优势比获得。

W_ij为各预测变量的参考值，例如，形状为二元变量，以梭形动脉瘤为参考值，即参考值W_ij为0，则侧生型的动脉瘤赋值为1；同样，血流滞留动脉期或毛细血管期为0，滞留静脉期或无血流为1；持续入射血流为0，无持续入射血流为1；造影剂充盈≥50％动脉瘤体积为0，造影剂充盈<50％动脉瘤体积为1。

W_iREF:为各预测变量的基本风险参考值。在构建评分模型时，积分记录为0。如果风险因子值高于W_iREF，则为正。得分越高，风险越高。相反，当分数低于W_iREF时，则被记为负分。

D为各预测变量与W_iREF的距离，其计算公式为D＝(W_ij-W_iREF)×β_i。

B为每个分值对应的常数，以侧生形状为参考，得1分，B＝1.356×1。

Pointsij为各预测变量对应的得分。Pointsij＝D/B＝(W_ij-W_iREF)×β_i/B，采用四舍五入到最接近的整数。

图3为本说明书实施例提供的风险预测工具的示意图。如图3所示，基于预测总分数，即可预测动脉瘤闭塞的概率。

图4为本说明书实施例提供的评分模型的组成结构的示意图。如图4所示，本说明书实施例提供的评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态，而且各个影响因素具有相应的赋值。

图5为本说明书实施例提供的评分模型的使用方法的示意图。如图5所示，①梭型动脉瘤记0分，非梭型动脉瘤记1分(图5中梭形动脉瘤列)；②动脉瘤瘤腔内有持续入射血流记0分，无持续入射血流记2分(图5中入射血流行)；③造影剂充盈≥50％动脉瘤瘤腔记0分，造影剂充盈＜50％动脉瘤瘤腔记1分(图5充盈行)；④造影剂滞留到动脉期或毛细血管期记0分，造影剂滞留到静脉期或瘤腔无血流记1分(图5最终滞留行)。

需要特别说明的是，梭型动脉瘤判断标准为：梭形动脉瘤是指动脉管壁呈梭形膨出管壁外，没有一个明确的球样膨出，没有一个狭窄的像颈部的地方，如图5梭形动脉瘤第一列所示；

持续入射血流判断标准为：脑血管造影图像上可见动脉瘤腔内有持续的血流冲击为持续入射血流，如图5入射血流第一行所示；

造影剂充盈≥50％动脉瘤体积的判断标准为：脑血管造影图像上可见动脉瘤腔内造影剂填充整个动脉瘤体积的50％以上为造影剂充盈≥50％动脉瘤体积，如图5充盈第一行所示；

造影剂滞留判断的判断标准为：脑血管造影时，根据造影剂显影的先后顺序可分为动脉期、毛细血管期、静脉期，当动脉瘤内造影剂持续显影到静脉期为造影剂滞留到静脉期，无血流判断：造影剂注入相应动脉后从动脉期到静脉期动脉瘤始终不显影为无血流，此时瘤腔内无血流经过。

采用本说明书实施例提供的预测动脉瘤闭塞的方法，能够可靠、简单的进行动脉瘤闭塞的预测，而且容易记忆，对基于血流导向装置的相关治疗及血管造影结果具有预测价值。

上述内容详细说明了一种预测动脉瘤闭塞的方法，与之相应的，本说明书还提供了一种预测动脉瘤闭塞的装置，如图6所示。图6为本说明书实施例提供的一种预测动脉瘤闭塞的装置的示意图，该装置包括：

获取模块601，获取待处理的影像数据；

评分模块603，将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；

预测模块605，基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

进一步地，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，具体包括：

获取基于血流导向装置进行治疗的患者的临床数据和影像数据，对所述临床数据和影像数据进行分组，获得推导组数据和验证组数据，其中，所述推导组数据和所述验证组数据的基线数据相同；

基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量；

基于所述预测变量的相对回归系数确定所述各个预测变量的评分，将所述各个预测变量的评分的总和作为预测总分数；

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建。

进一步地，所述临床数据和影像数据包括：

连续变量和分类变量；

其中：

所述连续变量包括：年龄、动脉瘤最大直径、瘤颈宽度、载瘤动脉直径中的一种或几种；

所述分类变量包括：辅助弹簧圈治疗、合并分支血管、性别、既往治疗史、梭形形态、吸烟史、多个血流导向装置植入中的一种或几种。

进一步地，所述基于血流导向装置进行治疗的患者的临床数据和影像数据，进行分组，获得推导组数据和验证组数据，进一步包括：

若所述推导组数据和所述验证组数据的基线不同，则对所述基于血流导向装置进行治疗的患者的临床数据和影像数据重新进行分组，以便所述推导组数据和所述验证组数据的基线数据相同。

进一步地，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，具体包括：

基于所述推导组数据，进行单因素分析，获得用于评分的潜在预测变量；

基于所述潜在预测变量，进行多因素逻辑回归分析，获得用于评分的预测变量。

进一步地，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，进一步包括：

通过Hosmer-Lemeshow进行统计分析，以Cox和Snell R²以及Nagelkerke R²作为拟合优度度量，对所述多因素逻辑回归分析所采用的多因素逻辑回归模型进行校准，获得校准的逻辑回归模型，所述校准的逻辑回归模型作为最终的逻辑回归模型。

进一步地，所述基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建，具体包括：

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，采用动脉瘤闭塞的预测公式，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建；

其中，所述动脉瘤闭塞的预测公式的表达式为：

预测动脉瘤闭塞的概率；

β_i为各预测变量的回归系数；

W_ij为各预测变量的参考值；

B为各预测变量对应的常数。

进一步地，所述评分模型包括推导模型工具和风险预测工具；

其中，

所述推导模型工具用于对所述待处理的影像数据进行评分；

所述风险预测工具用于预测所述待处理的影像数据对应的动脉瘤闭塞的概率。

本说明书实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据；

将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；

基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

进一步地，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，具体包括：

获取基于血流导向装置进行治疗的患者的临床数据和影像数据，对所述临床数据和影像数据进行分组，获得推导组数据和验证组数据，其中，所述推导组数据和所述验证组数据的基线数据相同；

基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量；

基于所述预测变量的相对回归系数确定所述各个预测变量的评分，将所述各个预测变量的评分的总和作为预测总分数；

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建。

进一步地，所述临床数据和影像数据包括：

连续变量和分类变量；

其中：

所述连续变量包括：年龄、动脉瘤最大直径、瘤颈宽度、载瘤动脉直径中的一种或几种；

所述分类变量包括：辅助弹簧圈治疗、合并分支血管、性别、既往治疗史、梭形形态、吸烟史、多个血流导向装置植入中的一种或几种。

进一步地，所述基于血流导向装置进行治疗的患者的临床数据和影像数据，进行分组，获得推导组数据和验证组数据，进一步包括：

若所述推导组数据和所述验证组数据的基线不同，则对所述基于血流导向装置进行治疗的患者的临床数据和影像数据重新进行分组，以便所述推导组数据和所述验证组数据的基线数据相同。

进一步地，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，具体包括：

基于所述推导组数据，进行单因素分析，获得用于评分的潜在预测变量；

基于所述潜在预测变量，进行多因素逻辑回归分析，获得用于评分的预测变量。

进一步地，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，进一步包括：

通过Hosmer-Lemeshow进行统计分析，以Cox和Snell R²以及Nagelkerke R²作为拟合优度度量，对所述多因素逻辑回归分析所采用的多因素逻辑回归模型进行校准，获得校准的逻辑回归模型，所述校准的逻辑回归模型作为最终的逻辑回归模型。

进一步地，所述基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建，具体包括：

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，采用动脉瘤闭塞的预测公式，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建；

其中，所述动脉瘤闭塞的预测公式的表达式为：

预测动脉瘤闭塞的概率；

β_i为各预测变量的回归系数；

W_ij为各预测变量的参考值；

B为各预测变量对应的常数。

进一步地，所述评分模型包括推导模型工具和风险预测工具；

其中，

所述推导模型工具用于对所述待处理的影像数据进行评分；

所述风险预测工具用于预测所述待处理的影像数据对应的动脉瘤闭塞的概率。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、***、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种预测动脉瘤闭塞的方法，其特征在于，所述方法包括：

获取待处理的影像数据；

将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；

基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

2.如权利要求1所述的方法，其特征在于，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，具体包括：

获取基于血流导向装置进行治疗的患者的临床数据和影像数据，对所述临床数据和影像数据进行分组，获得推导组数据和验证组数据，其中，所述推导组数据和所述验证组数据的基线数据相同；

基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量；

基于所述预测变量的相对回归系数确定所述各个预测变量的评分，将所述各个预测变量的评分的总和作为预测总分数；

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建。

3.如权利要求2所述的方法，其特征在于，所述临床数据和影像数据包括：

连续变量和分类变量；

其中：

所述连续变量包括：年龄、动脉瘤最大直径、瘤颈宽度、载瘤动脉直径中的一种或几种；

所述分类变量包括：辅助弹簧圈治疗、合并分支血管、性别、既往治疗史、梭形形态、吸烟史、多个血流导向装置植入中的一种或几种。

4.如权利要求2所述的方法，其特征在于，所述基于血流导向装置进行治疗的患者的临床数据和影像数据，进行分组，获得推导组数据和验证组数据，进一步包括：

若所述推导组数据和所述验证组数据的基线不同，则对所述基于血流导向装置进行治疗的患者的临床数据和影像数据重新进行分组，以便所述推导组数据和所述验证组数据的基线数据相同。

5.如权利要求2所述的方法，其特征在于，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，具体包括：

基于所述推导组数据，进行单因素分析，获得用于评分的潜在预测变量；

基于所述潜在预测变量，进行多因素逻辑回归分析，获得用于评分的预测变量。

6.如权利要求2所述的方法，其特征在于，所述基于所述推导组数据，采用多因素逻辑回归分析，确定用于评分的预测变量，进一步包括：

通过Hosmer-Lemeshow进行统计分析，以Cox和SnellR²以及Nagelkerke R²作为拟合优度度量，对所述多因素逻辑回归分析所采用的多因素逻辑回归模型进行校准，获得校准的逻辑回归模型，所述校准的逻辑回归模型作为最终的逻辑回归模型。

7.如权利要求2所述的方法，其特征在于，所述基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建，具体包括：

基于所述各预测变量的回归系数、所述各预测变量的参考值，及所述预测总分数，采用动脉瘤闭塞的预测公式，获得所述预测总分数对应的动脉瘤闭塞的概率，完成所述评分模型的构建；

其中，所述动脉瘤闭塞的预测公式的表达式为：

预测动脉瘤闭塞的概率；

β_i为各预测变量的回归系数；

W_ij为各预测变量的参考值；

B为各预测变量对应的常数。

8.如权利要求1所述的方法，其特征在于，所述评分模型包括推导模型工具和风险预测工具；

其中，

所述推导模型工具用于对所述待处理的影像数据进行评分；

所述风险预测工具用于预测所述待处理的影像数据对应的动脉瘤闭塞的概率。

9.一种预测动脉瘤闭塞的装置，其特征在于，所述装置包括：

获取模块，获取待处理的影像数据；

评分模块，将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；

预测模块，基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

10.一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据；

将所述待处理的影像数据输入预先建立的评分模型中，对所述待处理的影像数据进行评分，获得评分结果，所述评分模型是基于血流导向装置进行治疗的患者的临床数据和影像数据建立的评分模型，所述评分模型包括四个影响因素：梭形动脉瘤、入射血流、造影剂的充盈程度和造影剂的最终滞留状态；

基于所述评分结果，获得所述待处理的影像数据对应的动脉瘤闭塞的预测概率。

Images