放疗患者皮肤辐射损伤预测系统及方法与流程

1.本发明涉及皮肤辐射损伤检测技术领域，具体涉及一种放疗患者皮肤辐射损伤预测系统及方法。


背景技术：

2.有2/3的恶性肿瘤患者在治疗当中会用到放疗，例如乳腺癌。乳腺癌是目前全球发病率第一，复杂且异质性很高的恶性肿瘤之一，放射治疗是乳腺癌的标准治疗方法之一，实际上不同的患者对于放疗的敏感性是不同的，放疗后通常出现皮肤不同程度辐射损伤的情况。而皮肤作为全身最大的器官其辐射导致副反应常常被忽视，主要是由于急性期的皮肤损伤从临床处理角度来说，通常处理比较简单，主要是以消毒和保持干燥为主，但是严重的急性期损伤可能导致放疗中断，而放疗中断则会有局部控制失败的风险。大面积的聚焦使得皮肤这种辐射早反应组织极其容易发生辐射副反应，急性期的辐射副反应在乳腺癌的放疗患者当中发生率达90%以上。辐射诱发皮肤损伤（radiation-induced skin injury，rsi）早期副反应发生的表现主要是色素沉着、皮下水肿、表皮脱落、溃疡、皮肤弹性丧失、红斑等症状，而晚期症状主要集中在真皮层及以下皮肤组织硬化、毛细血管扩张、萎缩、溃烂坏死，甚至诱发皮肤癌，晚期辐射副反应发生率为6-85%。从患者生存角度来讲，远期副反应会导致乳腺美容性差，纤维化会导致射野区域运动受限，对患者心理、生活质量造成了影响，目前针对此并没有提前预测的方法。
3.目前对于辐射导致的皮肤损伤程度的确定主要有以下几个方式：1、临床评估；2、图片计算机辅助评估；3、热成像技术；4、超声评估；5、病理学评估。临床来说，最广泛的应用手段是临床评估，也就是基于不良事件通用术语标准（common terminology criteria for adverse events，ctcae）、皮肤损伤量表（cutaneous radiation injury，cri）、放射肿瘤治疗学协作组（radiation therapy oncology group，rtog）量表作为主要使用工具，这些工具仅针对于急性的rsi有效，而且都是损伤之后严重程度评估，并不能对预防rsi起到作用。
4.总体来说，对于放疗患者的辐射损伤目前没有任何的预测方法，都只是损伤之后的严重程度评估，以及损伤之后的消毒、干燥等简单处理，给患者带来痛苦的同时也可能会影响后期放疗的效果。


技术实现要素：

5.本发明的目的在于提供一种放疗患者皮肤辐射损伤预测系统及方法，在放疗前可以客观地预测皮肤对放疗辐射的敏感性，继而对放疗时的剂量确定具有参考意义。
6.为实现上述目的，本发明采用的技术方案如下：一种放疗患者皮肤辐射损伤预测系统，包括拉曼光谱数据采集设备和计算机，其中，所述拉曼光谱数据采集设备用于采集皮肤区域产生的拉曼光谱数据，所述计算机基于所述拉曼光谱数据进行损伤预测，预测皮肤对辐射损伤的敏感性。
7.所述拉曼光谱数据采集设备包括激光器、第一光纤、物镜、第二光纤、谱仪和ccd相
机，激光器输出的激光束经过第一光纤传输至物镜，经物镜输出后聚焦皮肤表面，能量交换后的返回光经物镜输出后由第二光纤传输至谱仪，得到的拉曼光谱被ccd相机采集。
8.上述方案中，通过激光器输出激光作为入射光聚焦皮肤，与皮肤组织进行能量交换产生拉曼散射，返回光被谱仪分光后形成拉曼光谱，继而被ccd相机采集。
9.所述拉曼光谱数据采集设备还包括透镜组件，所述透镜组件包括透镜四、干涉滤波片、反射镜、分光镜、长通滤波器、透镜三、透镜二、透镜一l1，所述透镜组件的布置方式为：以激光的传输方向为参考，激光器的光路前方依次布置透镜四l4、干涉滤波片ll、反射镜m、分光镜dm，以返回光的传输方向为参考，分光镜dm的光路前方依次布置长通滤波器lp、透镜三l3、透镜二l2、谱仪、透镜一l1、ccd相机。
10.上述方案中，通过布置透镜组件，不仅可以实现光路的顺利传输，还方便于布置各个部件，使得设备的整体结构尺寸尽可能小且美观。
11.基于所述的放疗患者皮肤辐射损伤预测系统实现的放疗患者皮肤辐射损伤预测方法，包括以下步骤：在放疗前，利用拉曼光谱数据采集设备采集患者指定皮肤区域的拉曼光谱数据；对采集的拉曼光谱数据进行预处理；对预处理之后的拉曼光谱数据进行方差分析，选取特征点；将方差分析之后的拉曼光谱数据输入预先训练好的预测模型中，输出得到预测结果值。
12.所述预处理包括平滑、去噪和基线校正。
13.上述方案中，预处理同时包括了平滑、去噪和基线校正，使得处理后的数据更加准确，继而基于该数据进行学习所得的预测模型也更加准确。
14.所述预测模型的训练过程包括：利用拉曼光谱数据采集设备采集若干患者皮肤区域的拉曼光谱数据，所述患者为经历过相同剂量放射治疗的患者，包括皮肤没有损伤的患者和不同程度损伤的患者；对采集的拉曼光谱数据进行预处理；对预处理之后的拉曼光谱数据进行方差分析；将方差分析之后的拉曼光谱数据划分为训练集和验证集，并基于训练集进行模型训练，训练结束后基于验证集进行模型验证。
15.上述方案中，对于训练所需的样本数据，包含了来自于不同患者的数据，即尽可能地囊括了更多的个体差异，使得训练出来的预测模型可以针对各种个体都有较好的预测效果。
16.采集拉曼光谱数据时，针对于同一患者，采集不同皮肤区域的拉曼光谱数据；和/或，针对于同一皮肤区域，采集多次拉曼光谱数据，扣除异常数据后，取均值。
17.上述方案中，通过对同一患者不同皮肤区域进行拉曼光谱数据采集，以及针对同一皮肤区域采集多幅拉曼光谱数据，可以丰富数据样本。容易理解的是，针对同一患者的不同皮肤区域，并不是指随机的任意皮肤区域，而是优选既包含了放疗部位周边区域，即放疗辐射范围内的一个或多个皮肤区域，也包含了未被辐射的一个或多个皮肤区域。
18.所述基于训练集进行模型训练的过程中，每次从训练集中随机拿出80%样本进行学习训练，训练后再用剩下的20%样本进行测试，根据测试结果对预测模型进行参数调整，
测试完后进入下一轮训练过程；如此循环迭代，直至达到设定的迭代次数，训练结束。
19.所述预测模型为svm模型。
20.与现有技术相比，本发明具有以下优势：首次提出了在放疗前对患者的辐射损伤进行预测，预测皮肤对辐射的敏感性，预测结果可以为放疗剂量的确定提供参考，在可能的情况下减轻患者因放疗辐射损伤带来的痛苦。
21.拉曼光谱数据采集与机器学习的手段相结合，为皮肤辐射损伤预测的实现提供了可靠保障，且预测结果准确性高。
22.针对于本发明还具有的其他优势将在后续的实施例中进行更细致的分析。
附图说明
23.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
24.图1为拉曼光谱数据采集设备的组成示意图。
25.图2为实施例中预测模型的训练流程示意图。
26.图3为实施例中皮肤辐射损伤预测流程示意图。
27.图4为实施例中列举的预处理后的拉曼光谱数据图。
28.图5为实施例中验证例的roc曲线图。
具体实施方式
29.下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.本实施例中放疗患者皮肤辐射损伤预测系统包括光谱数据采集设备和计算机，其中，光谱数据采集设备用于采集皮肤表面产生的光谱数据，计算机用于对采集的光谱数据进行分析，预测皮肤对辐射损伤的敏感性。
31.图1展示了拉曼光谱数据采集设备的结构，包括激光器、第一光纤（fiber）、物镜、第二光纤、谱仪和ccd相机，激光器输出的激光束经过第一光纤传输至物镜，经物镜输出后聚焦皮肤表面，能量交换后的返回光经物镜输出后由第二光纤传输至谱仪，随后被ccd相机采集。第一光纤、第二光纤都是指光纤，第一第二仅是用于区分，无其他特殊含义。
32.为了便于布置各个部件及提升传输光的质量，系统中还包括由各种透镜组成的透镜组件。如图1所示，更具体地，以激光的传输方向为参考，激光器的光路前方依次布置有透镜四l4、干涉滤波片ll（laser line interface filters）、反射镜m、分光镜dm（dichroicmirrors）。激光器为发出波长785nm单色波的激光器，激光器发射的激光经第一光纤传输后
被透镜四l4接收，透镜四l4对激光聚焦后输出至干涉滤波片ll，经干涉滤波片ll滤波后输出至反射镜m，经反射镜m反射后入射至分光镜dm，分光镜dm将激光束反射至物镜，然后聚焦在皮肤表面。
33.拉曼光谱输出的是波长单一的激光（生物样本通常采用785nm波长的单色激光），能量从5~300mw不等（根据样本的不同），在本方案当中，由于是经皮的拉曼光谱，能量太低了不能穿透皮肤覆盖的分泌物层，所以被设置为50~150mw可调节的范围（根据数据反馈的信噪比来决定），如果没有能量交换，输入的同样能量同样波长的激光经过谱仪的光栅分光后会集中在一个波数范围内，而不同的分子键能量交换后，在光栅分光的作用下，波数被分散在400-1800cm-1
的拉曼偏移上，由此形成拉曼光谱。激光入射分子键发生能量交换后，返回的光子与入射光光子存在能量不同，该过程称为拉曼散射。
34.以返回光的传输方向为参考，分光镜dm的光路前方依次布置有长通滤波器lp（longpass filters）、透镜三l3、透镜二l2、谱仪vhp、透镜一l1、ccd相机。返回光经物镜透射后入射至分光镜dm，经分光镜dm透射后入射至长通滤波器lp，滤波后输出至透镜三l3，然后经第二光纤传输至透镜二l2，返回光经透镜二l2输出后被谱仪接收。返回光与入射激光能量不同，返回光经过透镜一l1后在ccd相机中量化表达，采集得到返回光的光谱数据。
35.使用时，物镜端对准皮肤，在乳腺射野皮肤区域，发射激光，再利用光路接收返回光，即可获得拉曼光谱数据。
36.图2为基于采集所得的光谱数据集构建皮肤辐射损伤预测模型的流程图，皮肤辐射损伤预测模型即可对皮肤辐射损伤程度进行预测。
37.如图2所示，基于采集所得的光谱数据集构建皮肤辐射损伤预测模型的流程包括：s1，基于图1所示的拉曼光谱数据采集设备进行拉曼光谱数据采集。
38.本方法是基于机器学习构建皮肤辐射损伤预测模型，用于预测不同皮肤对于辐射损伤的敏感性，因此拉曼光谱数据来源于不同的乳腺癌患者，且都是经历相同剂量的放射治疗后的患者，由于个体对放疗辐射的敏感程度不同，因此数据采集时，这些患者中必须包括皮肤没有损伤的患者和不同程度损伤的患者。针对于同一患者，可以采集不同皮肤区域的拉曼光谱数据，以及针对于同一皮肤区域，可以采集多份拉曼光谱数据。
39.s2，对采集的拉曼光谱数据进行预处理，包括平滑、去噪和基线校正。本方案中同时进行平滑、去噪和基线校正，目的是使得参与分析的拉曼光谱数据更加准确，使得最终的计算结果更准确，在比较粗略的方案中，允许只进行其中部分预处理操作，例如可以不进行平滑操作。
40.拉曼光谱获得的数据为一个二维平面的波谱，可以理解为一单个象限的复杂波形，横坐标被称为拉曼偏移或者波数，这是由于光子和样本（皮肤）的分子键发生了能量交换，经过光栅分光后没有回到原来的位置，而是发生了偏移，在400-1800的位置上有1400个点，平滑就是指在一个波数上对相邻的两个位置的数值进行均值化处理，使得波形看上更平滑。经过平滑处理之后可以使得计算的数量变得更少，计算量仅为原来的1/3。
41.数据的产生通常是有噪声的，这种噪声不属于皮肤，可能来自环境，可能来自设备，因此在数据处理过程中通过去噪处理，去掉这种可能对计算结果有影响的偏移，可以使得计算结果更加准确。通常噪声是程稳定的波动状态（呈稳定的频率状），使用波峰的位置间距检验手段可以得出哪些是“噪声”，在拉曼光谱中将这些噪声剪掉，通常每个设备和环
境的噪声是不同的，根据经验来说，一个类别的实验去噪做一次即可。在本方案中，稳定频谱间距持续30个波数的被识别为噪声。
42.基线校准就是使有效的数据处于同一水平线。皮肤对激光的入射有强烈的荧光激发，这种表现通常表现为纵坐标值极高，这种荧光效应会掩盖数据本身，同时由于个人差异，每个人的荧光效应会有差异，所以在数据处理之前进行基线校准，以消除荧光效应及个体差异对最终的计算结果带来的影响。基线校准可以采用基于多项式拟合的算法，基于多项式拟合的基线校准为成熟的技术，因此本文中不再细述。
43.实验中的某样本拉曼光谱预处理后的波形如图4所示。因为图谱较长影响了附图的清晰度，因此仅截取了图谱中的部分数据。
44.s3，对预处理之后的拉曼光谱数据进行anova分析，即方差分析。anova得出的结果是在拉曼光谱的波数上，哪些波数存在统计学差异，这种差异就有可能是分子键能量交换不同产生的，而这种差异的波数也会作为机器学习的特征输入模型进行训练。
45.s4，将anova分析后所得的数据集分为训练集和验证集，并基于训练集进行模型训练，基于验证集进行模型验证。
46.将anova分析后所得的数据集中，10~20%作为独立验证集不参与训练，为无标签样本，剩下的作为训练集用于参与模型训练，并对训练集中的样本进行标签标注，为有标签样本。在训练阶段，每次从训练集中随机拿出80%（训练和测试的比例可以自由设置，此处仅是作为一种举例）样本进行学习训练，训练后再用剩下的20%样本进行测试，根据测试结果对预测模型进行参数调整，测试完后进入下一轮训练过程；如此循环迭代，直至达到设定的迭代次数，训练结束。迭代次数可以相应设置，通常学习迭代200次，所得的模型比较稳定。本实施例中模型采用的是svm模型，在其他实施方案中可能也可以采用逻辑回归模型、决策树模型等。
47.本方案中，训练所得的svm模型是用于对放疗前的皮肤进行预测，预测皮肤对于放疗辐射的敏感程度，因此，svm模型的分类结果可以是两个类别，敏感类和不敏感类。当然地，在其他实施方案中，也可以是基于不同的敏感程度分类为更多更细的类型。
48.迭代结束后，再用那10~20%的独立验证集进行验证，验证训练所得的svm模型的可靠性。
49.针对于皮肤辐射损伤，行业内目前rtog分类标准是分为三级，分别对应于不同级别的皮肤辐射损伤。获取某受试者的roc曲线，如图5所示，其结果表明各个级别的皮肤损伤对于拉曼光谱都是可预测的。
50.训练结束后最终所得的svm模型即可用于皮肤辐射损伤预测。
51.如图3所示，在具体应用中，利用svm模型进行皮肤辐射损伤预测的方法，包括步骤：s21，在放疗前，基于图1所示的拉曼光谱数据采集设备进行拉曼光谱数据采集。此时采集就只是采集需要进行预测的皮肤区域，容易理解的是，此处的皮肤区域是指放疗辐射范围内的某个或某些区域，这样才有预测的意义。
52.s22，对采集的拉曼光谱数据进行预处理，包括平滑、去噪和基线校正。
53.如果拉曼光谱数据早已采集获得，那么就是直接从本步骤开始，对待预测的拉曼光谱数据进行预处理。
54.s23，对预处理之后的拉曼光谱数据进行方差分析。
55.s24，利用训练好的svm模型对方差分析后的光谱数据进行预测，也就是将方差分析后的拉曼光谱数据输入训练好的svm模型中，输出即可得到预测结果。
56.通过本发明方案可以在放疗前对辐射损伤的敏感性进行预测，预测结果可以为放疗剂量的确定提供参考，在可能的情况下减轻患者因放疗辐射损伤带来的痛苦，而且也可以避免损伤严重导致放疗中断的情况发生。本发明方案对于患者及医护都具有重要的意义。
57.以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。