小肝癌早期复发概率预测模型的构建方法与预测方法

摘要

本发明实施例提供了一种小肝癌早期复发概率预测模型的构建方法与预测方法，涉及图像处理技术领域。小肝癌早期复发概率预测模型的构建方法包括：基于多个对象的医学影像数据，得到各对象的影像组学评分；从影像特征、临床特征以及影像组学评分中，选取与小肝癌早期复发相关的多个独立预测因子；利用多个独立预测因子构建组合模型，并基于组合模型建立小肝癌早期复发概率预测模型。本发明中，能够在术前对小肝癌患者手术后的早期复发概率进行预测，供医生在制定治疗方案时作为参考以优化治疗方案，减少小肝癌患者术后的早期复发概率。

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种小肝癌早期复发概率预测模型的构建方法与预测方法。

背景技术

随着医疗影像装置的发展与诊断技术的进步，越来越多的小肝癌(直径小于或等于三厘米的肿瘤)可以在早期被发现。肝切除与射频消融术是多数小肝癌的常用治疗方法。然而，由于肿瘤复发和转移的发生概率较高，即便是小肝癌患者，预后效果仍较差。

若能在术前对小肝癌早期复发的概率进行预测，则能够对医生优化患者的治疗方案具有非常重要的意义。

发明内容

本发明的目的在于提供一种小肝癌早期复发概率预测模型的构建方法与预测方法，能够在术前对小肝癌患者手术后的早期复发概率进行预测，供医生在制定治疗方案时作为参考以优化治疗方案，减少小肝癌患者术后的早期复发概率。

为实现上述目的，本发明提供了一种小肝癌早期复发概率预测模型的构建方法，包括：基于多个对象的医学影像数据，得到各对象的影像组学评分；从影像特征、临床特征以及影像组学评分中，选取与小肝癌早期复发相关的多个独立预测因子；利用多个独立预测因子构建组合模型，并基于组合模型建立小肝癌早期复发概率预测模型。

本发明还提供了一种小肝癌早期复发概率的预测方法，包括：基于待测对象的医学影像数据，获取待测对象的影像组学评分；根据待测对象的影像特征、临床特征以及影像组学评分，得到待测对象的多个独立预测因子的值；根据多个独立预测因子的值以及基于上述的构建方法所构建的小肝癌早期复发概率预测模型，得到待测对象小肝癌的早期复发概率。

本发明相对于现有技术而言，先基于多个对象的医学影像数据，得到各对象的影像组学评分，然后从影像特征、临床特征以及影像组学评分中，选取与小肝癌早期复发相关的多个独立预测因子，再利用多个独立预测因子构建组合模型，并基于构建的组合模型建立小肝癌早期复发概率预测模型；即提供了一种针对小肝癌患者术后的早期复发概率进行预测的模型，使用该小肝癌早期复发概率预测模型能够在术前对患者手术后的早期复发概率进行预测，供医生在制定治疗方案时作为参考以优化治疗方案，减少小肝癌患者术后的早期复发概率。

在一实施例中，从影像特征、临床特征以及影像组学评分中，选取与小肝癌早期复发相关的多个独立预测因子，包括：以影像特征、临床特征或影像组学评分作为变量进行单因素logistic回归分析，得到对小肝癌早期复发具有统计学意义的多个预测变量；对多个预测变量进行多因素logistic回归分析，得到与小肝癌早期复发相关的多个独立预测因子。本实施例提供了从影像特征、临床特征以及影像组学评分中，选取与小肝癌早期复发相关的多个独立预测因子的一种具体实现方式。

在一实施例中，基于组合模型建立小肝癌早期复发概率预测模型，包括：建立组合模型对应的Nomogram模型，作为小肝癌早期复发概率预测模型。本实施例中，建立Nomogram模型作为小肝癌早期复发概率预测模型，准确性较高，预测效果较好。

在一实施例中，多个独立预测因子包括：影像组学评分与临床特征中包含的术前血小板计数。

在一实施例中，医学影像数据包括多个类型的医学图像，基于多个对象的医学影像数据，得到各对象的影像组学评分，包括：对多个对象的多个类型的医学图像上勾画的肿瘤感兴趣区域进行纹理分析，得到每个类型的医学图像对应的多个纹理特征；从所有的纹理特征中筛选出多个预测特征，并根据多个预测特征计算每个对象的影像组学评分。本实施例提供了基于多个对象的医学影像数据，得到各对象的影像组学评分的一种具体实现方式，在计算各对象的影像组学评分时，先对纹理特征进行筛选，能够筛选掉无意义的特征，同时保留鉴别能力高的纹理特征，减少了计算量。

在一实施例中，从所有的纹理特征中筛选出多个预测特征，包括：采用LASSO-logistic回归模型从所有的纹理特征中筛选出多个预测特征。本实施例提供了从所有的纹理特征中筛选出多个预测特征的一种具体实现方式。

在一实施例中，对多个对象的多个类型的医学图像上勾画的肿瘤感兴趣区域进行纹理分析，得到每个类型的医学图像对应的多个纹理特征，包括：采用特征降维方法对多个对象的多个类型的医学图像上勾画的肿瘤感兴趣区域进行纹理分析，得到每个类型的医学图像对应的多个纹理特征。本实施例提供了对多个对象的多个类型的医学图像上勾画的肿瘤感兴趣区域进行纹理分析，得到每个类型的医学图像对应的多个纹理特征的一种具体实现方式。

在一实施例中，特征降维方法包括：费希尔系数、交互信息和分类误差概率结合平均相关系数。

在一实施例中，多个类型的医学图像包括以下之一或任意组合：T1WI图像、T2WI图像、动脉期图像、门脉期图像、延迟期图像以及肝胆期图像。

附图说明

图1是根据本发明第一实施例中的小肝癌早期复发概率预测模型的构建方法的具体流程图；

图2是根据本发明第二实施例中的小肝癌早期复发概率预测模型的构建方法的具体流程图；

图3是根据本发明第二实施例中的Nomogram模型的示意图；

图4是根据本发明第二实施例中的小肝癌早期复发概率预测模型的ROC曲线示意图；

图5是根据本发明第三实施例中的小肝癌早期复发概率预测模型的构建方法的具体流程图；

图6是根据本发明第四实施例中的小肝癌早期复发概率的预测方法的具体流程图。

具体实施例

以下将结合附图对本发明的各实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质精神。

在下文的描述中，出于说明各种公开的实施例的目的阐述了某些具体细节以提供对各种公开实施例的透彻理解。但是，相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下，与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。

除非语境有其它需要，在整个说明书和权利要求中，词语“包括”和其变型，诸如“包含”和“具有”应被理解为开放的、包含的含义，即应解释为“包括，但不限于”。

在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此，在整个说明书的各个位置“在一个实施例中”或“在一实施例”中的出现无需全都指相同实施例。另外，特定特点、结构或特征可在一个或多个实施例中以任何方式组合。

如该说明书和所附权利要求中所用的单数形式“一”和“”包括复数指代物，除非文中清楚地另外规定。应当指出的是术语“或”通常以其包括“和/或”的含义使用，除非文中清楚地另外规定。

在以下描述中，为了清楚展示本发明的结构及工作方式，将借助诸多方向性词语进行描述，但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“上”、“下”等词语理解为方便用语，而不应当理解为限定性词语。

本发明第一实施例涉及一种小肝癌早期复发概率预测模型的构建方法，应用于电脑等电子设备，用于构建小肝癌早期复发概率预测模型，该小肝癌早期复发概率预测模型能够在术前预测小肝癌患者术后的早期复发概率，供医生作为参考来调整优化治疗方案，其中治疗方案可以为肝切除或射频消融术。

本实施例的小肝癌早期复发概率预测模型的构建方法的具体流程如图1所示。

步骤101，基于多个对象的医学影像数据，得到各对象的影像组学评分。

具体而言，该对象为构建小肝癌早期复发概率预测模型时所选择的小肝癌患者，各对象的医学影像数据可以是在对各对象进行医学检查时得到，例如为磁共振成像(Magnetic Resonance Imaging，简称MRI)检查得到的核磁共振成像，MRI可以采用不同的扫描序列得到多种类型的医学图像，扫描序列是指具有一定带宽、一定幅度的射频脉冲与梯度脉冲的有机组合，射频脉冲与梯度脉冲不同的组合方式构成不同的扫描序列。在一个例子中，医学影像数据所包含的多种类型的医学图像包括以下之一或任意组合：T1WI图像(T1加权图像)、T2WI图像(T2加权图像)、动脉期AP图像、门脉期PVP图像、延迟期DP图像以及肝胆期HBP图像；其中，T1WI图像与T2WI图像为平扫图像，动脉期图像、门脉期图像、延迟期图像以及肝胆期图像为增强图像，相对于平扫图像来说，增强图像为患者被注射造影剂(例如为肝脏特异性钆Gd造影剂)之后的成像，对于肝细胞癌的患者，其被注射造影剂后，动脉期一般会出现很亮的信号，而后在门脉期和延迟期中亮的信号会明显变暗，能够用于进行诊断。需要说明的是，本实施例以及之后的实施例均以多种类型的医学图像包括上述六种图像为例进行说明。

影像组学能够量化图像灰度模式、像素相互关系和光谱特性的空间变化，在得到各对象的医学影像数据后，可以从每个对象的医学影像数据所包含的医学图像中提取特征，然后利用该对象所对应的特征的线性组合，分别计算各对象的影像组学评分，其中每个特征有其对应的系数。

步骤102，从影像特征、临床特征以及影像组学评分中，选取与小肝癌早期复发相关的多个独立预测因子。

具体而言，对于每个对象，基于该对象的医学影像数据与临床检查数据能够得到该对象的影像特征与临床特征，然后基于所有的对象的影像特征、临床特征以及影像组学评分，从影像特征、临床特征以及影像组学评分中选取多个独立预测因子，独立预测因子是与小肝癌早期复发相关的独立因素。

步骤103，利用多个独立预测因子构建组合模型，并基于组合模型建立小肝癌早期复发概率预测模型。

具体而言，基于步骤102中选取出的与小肝癌早期复发相关的多个独立预测因子构建一个组合模型，然后在这个组合模型的基础上建立小肝癌早期复发概率预测模型，该小肝癌早期复发概率预测模型能够在术前对患者进行手术后的早期复发概率进行预测，供医生在制定治疗方案时作为参考，以减少患者术后的早期复发概率。

在本实施例中，先基于多个对象的医学影像数据，得到各对象的影像组学评分，然后从影像特征、临床特征以及影像组学评分中，选取与小肝癌早期复发相关的多个独立预测因子，再利用多个独立预测因子构建组合模型，并基于构建的组合模型建立小肝癌早期复发概率预测模型；即提供了一种针对小肝癌患者术后的早期复发概率进行预测的模型，使用该小肝癌早期复发概率预测模型能够在术前对患者手术后的早期复发概率进行预测，供医生在制定治疗方案时作为参考以优化治疗方案，减少小肝癌患者术后的早期复发概率。

本发明第二实施例涉及一种小肝癌早期复发概率预测模型的构建方法，第二实施例相对于第一实施例来说：提供了构建小肝癌早期复发概率预测模型的一种具体实现方式。

本实施例的小肝癌早期复发概率预测模型的构建方法的具体流程如图2所示。

步骤201，基于多个对象的医学影像数据，得到各对象的影像组学评分。与第一实施例中的步骤101大致相同，在此不再赘述。

步骤202，包括以下子步骤：

子步骤2021，以影像特征、临床特征或影像组学评分作为变量进行单因素logistic回归分析，得到对小肝癌早期复发具有统计学意义的多个预测变量。

具体而言，对于每个对象，基于该对象的医学影像数据所包含的多种类型的医学图像与临床检查数据能够得到该对象的影像特征与临床特征；影像特征与临床特征可以包括以下多种特征：年龄(Age)，甲胎蛋白(AFP)含量，肝硬化(liver cirrosis)，乙型肝炎表面抗原(HbsAg)，肝功能分级(Child-Pugh class)，谷丙转氨酶(ALT)，谷草转氨酶(AST)，谷丙转氨酶/谷草转氨酶(ALT/AST)，术前血小板计数(Preoperative PLT)，肿瘤直径(Tumor)，动脉期肿瘤明显强化(Arterial phase hyperenhancement)，廓清(Washout)，增强包膜(Enhancing capsule)，肝胆期肿瘤低信号(Hepatobiliary phasehypointensity)；然后分别以影像特征、临床特征以及影像组学评分中的特征作为变量进行单因素logistic回归分析，对于各对象来说，其影像特征、临床特征以及影像组学评分的值均是已知的，从而在对各个变量进行单因素logistic回归分析后，能够得到每个变量对应的OR值(odds ratio)与显著性P值。其中，OR值为比值比，为实验组的事件发生几率/对照组的事件发生几率，指病例组中暴露人数与非暴露人数的比值除以对照组中暴露人数与非暴露人数的比值。

对于每个变量来说，若该变量所对应的显著性P小于0.05，则说明该变量具有显著性差异，表示其对小肝癌早期复发预测有统计学意义，可以作为预测变量。由此，遍历所有的变量的P值，可以得到对小肝癌早期复发具有统计学意义的多个预测变量。

举例来说，选取的对象均为小肝癌患者，患者数量为111例，男性93例(占83.8％)，女性18例(占16.2％)；其中，小肝癌患者以手术切除治疗的有45例，以射频消融治疗的有66例。根据临床最终观察结果，共有53例(53/111＝47.7％)患者在2年内发生了肿瘤早期复发，将2年的随访分为早期复发组(53例)和非早期复发组(58例)。

基于这111例对象的特征数据的值，分别以影像特征、临床特征以及影像组学评分中的特征作为变量进行单因素logistic回归分析，在所有的变量完成单因素logistic回归分析后，得到每个变量的OR值与显著性P值，即可以得到所有变量的单因素logistic回归分析表，具体参见下表1。

表1

在单因素logistic回归分析中选取显著性P值小于0.1的变量作为对小肝癌早期复发具有统计学意义的预测变量，由上表1可知，显著性P值小于0.1的变量有肝硬化、乙型肝炎表面抗原、肝功能分级、术前血小板计数、肝胆期肿瘤低信号以及影像组学评分，这六个变量为对小肝癌早期复发具有统计学意义的预测变量。

子步骤2022，对多个预测变量进行多因素logistic回归分析，得到与小肝癌早期复发相关的多个独立预测因子。

具体而言，基于对小肝癌早期复发具有统计学意义的多个预测变量进行多因素logistic回归分析，可以得到各预测变量对应的OR值(odds ratio)与显著性P值，然后基于这多个预测变量的显著性P值，从这多个预测变量中选取与小肝癌早期复发相关的多个独立预测因子，作为独立预测因子的预测变量不受其他的预测变量的影响。

接续上例，多个预测变量分别为肝硬化、乙型肝炎表面抗原、肝功能分级、术前血小板计数、肝胆期肿瘤低信号以及影像组学评分，仍以上述的111个对象为例对这六个预测变量进行多因素logistic回归分析，能够得到各预测变量对应的OR值(odds ratio)与显著性P值，在多因素logistic回归分析中选取显著性P小于0.05的预测变量作为与小肝癌早期复发相关的独立预测因子，最终统计得到与小肝癌早期复发相关的独立预测因子包括术前血小板计数和影像组学评分，具体参见下表2。

表2

步骤203，利用多个独立预测因子构建组合模型，并建立组合模型对应的Nomogram模型，作为小肝癌早期复发概率预测模型。

具体而言，在得到与小肝癌早期复发相关的多个独立预测因子，利用这多个独立预测因子构建组合模型，组合模型的具体公式如下：

logit(P)＝β

其中，β

接续上例，以多个独立预测因子包括术前血小板计数和影像组学评分为例，本实施例中的组合模型的具体公式如下。

logit(P)＝8.277+1.336*X

其中，X

Nomogram模型(即Nomogram图、列线图)是建立在多因素逻辑回归分析基础上的预测模型，其能够将多个独立预测因子进行整合，用来表达各独立预测因子之间的相互关系。接续上例，多个独立预测因子包括术前血小板计数和影像组学评分，建立Nomogram模型的过程具体如下。

1、基于上述多因素logistic回归后得到的多个独立预测因子所构建的组合模型，根据该组合模型中各个独立预测因子对logit(P)的贡献程度(即各独立预测因子对应的回归系数的大小)，为各独立预测因子的取值进行赋分，每个独立预测因子的赋分范围在0-100之间。

(1)系数转换。

术前血小板计数为二分型变量，大于157.5×10

影像组学评分为连续性变量，影像组学评分的范围为-12-1。以β

(2)为各独立预测因子赋分。

Nom

2、在赋分结束后，基于上述赋分的结果绘制Nomogram模型作为小肝癌早期复发概率预测模型，具体请参见图3，在分数刻度线下的第一条刻度线为影像组学评分、第二条刻度线为术前血小板计数、第三条刻度线为总分数、第四条刻度线为小肝癌早期复发概率；从而可以利用该Nomogram模型在术前对患者进行小肝癌早期复发概率进行预测。

ROC曲线图是反映敏感性与特异性之间关系的曲线，能够用于评估模型的诊断准确性。在ROC曲线图中，横坐标X轴为(1-特异性)，也称为假阳性率(误报率)，X轴越接近零准确率越高；纵坐标Y轴为敏感度，也称为真阳性率(敏感度)，Y轴越大代表准确率越好。根据ROC曲线图中曲线的位置，将整个图分为了两部分，曲线下方部分的面积为AUC(Area UnderCurve)，用来表示预测准确性，AUC值越大，也就说曲线下方的面积越大，说明预测准确性越高；曲线越接近图的左上角，预测准确性越高。

在构建了小肝癌早期复发概率预测模型后，基于之前选取的多例患者，绘制该小肝癌早期复发概率预测模型的ROC曲线，请参考图4，ROC曲线中，曲线下面积AUC＝0.981(95％CI，0.957-1.000，标准误差为0.012)，最优截止值0.5147801≈0.515，敏感性为94.3％，特异性为96.6％，约登指数(Youden’s index)为0.909；由此可知，本实施例所构建的小肝癌早期复发概率预测模型的准确性较高，预测效果较好。

本实施例相对于第一实施例而言，提供了构建小肝癌早期复发概率预测模型的一种具体实现方式，建立Nomogram模型作为小肝癌早期复发概率预测模型，准确性较高，预测效果较好。

本发明第三实施例涉及一种小肝癌早期复发概率预测模型的构建方法，第三实施例相对于第一实施例来说：提供了基于多个对象的医学影像数据，得到各对象的影像组学评分的一种具体实现方式。

本实施例的小肝癌早期复发概率预测模型的构建方法的具体流程如图5所示。

步骤301，包括以下子步骤：

子步骤3011，对多个对象的多个类型的医学图像上勾画的肿瘤感兴趣区域进行纹理分析，得到每个类型的医学图像对应的多个纹理特征。

具体而言，各对象的医学影像数据所包含的各类型的医学图像上已经被勾画了肿瘤感兴趣区域(Region Of Interest，简称ROI)，感兴趣区域为肿瘤最大横截面积，其可以包括囊性坏死区域。若某个类型的医学图像存在病灶边界不清晰的情况，由于肝胆期图像与T2WI图像的病灶边界一般较为清晰，则可以将肝胆期图像与T2WI图像上勾画的肿瘤感兴趣区域加载到该类型的医学图像上，得到该类型的医学图像上勾画的肿瘤感兴趣区域。在一个例子中，若肿瘤位置因患者的呼吸运动改变，则基于改变后的肿瘤位置调整医学图像上勾画的感兴趣区域，以确保感兴趣区域覆盖肿瘤病灶的轮廓。

纹理分析能够量化图像灰度模式、像素相互关系和光谱特性的空间变化；基于多个对象的各类型的医学图像，对每个对象的每个类型的医学图像上的肿瘤感兴趣区域进行纹理分析，得到每个类型的医学图像的图像统计，图像统计包括以下任意之一或任意组合：直方图特征、梯度特征、游程矩阵、灰度共生矩阵、自回归模型和小波变换，从这些图像统计中能够得到每个类型的医学图像的感兴趣区域对应的多个纹理特征，例如灰度共生矩阵中包括的关键特征为：能量、惯性、熵、相关性等。

在一个例子中，本实施例采用特征降维方法对多个对象的多个类型的医学图像上勾画的肿瘤感兴趣区域进行纹理分析，得到每个类型的医学图像对应的多个纹理特征；即在利用特征降维算法从各类型的医学图像中提取特征。其中，特征降维方法包括：费希尔系数、交互信息(mutual information，简称MI)和分类误差概率结合平均相关系数(minimisation of classification error probability and average correlationcoefficients，简称PA)，即联合这三种方法进行特征降维筛选，避免筛选掉有意义的特征，同时能够保留鉴别能力高的纹理特征，减少了计算量。在本实施例中，能够从各类型的医学图像上识别出150个纹理特征。

子步骤3012，从所有的纹理特征中筛选出多个预测特征，并根据多个预测特征计算每个对象的影像组学评分。

具体而言，从纹理分析后得到的所有的纹理特征中筛选出多个预测特征，然后根据各对象的预测特征的值与对应的线性组合，分别计算出每个对象的影像组学评分。其中，每个预测特征具有对应的系数。

在一个例子中，可以采用LASSO-logistic回归模型从所有的纹理特征中筛选出多个预测特征。具体的，LASSO回归是以缩小变量集为思想的压缩估计方法，其通过构造惩罚函数，将变量的系数进行压缩使变量的系数变为0，实现了变量的筛选。基于所有的纹理特征构建LASSO回归的损失函数，最小化损失函数后得到的模型中所包含的纹理特征即为预测特征。其中，筛选的预测特征的数量可以由损失函数中的参数λ来控制，λ越大对纹理特征较多的线性模型的惩罚力度就越大，从而最终获得一个纹理特征较少的模型，即能够筛选出较少的预测特征。本实施例中，能够从150个纹理特征筛选出9个预测特征。

步骤302，从影像特征、临床特征以及影像组学评分中，选取与小肝癌早期复发相关的多个独立预测因子。与第一实施例中的步骤102大致相同，在此不再赘述。

步骤303，利用多个独立预测因子构建组合模型，并基于组合模型建立小肝癌早期复发概率预测模型。与第一实施例中的步骤103大致相同，在此不再赘述。

本实施例相对于第一实施例而言，提供了基于多个对象的医学影像数据，得到各对象的影像组学评分的一种具体实现方式，其中，在计算各对象的影像组学评分时，先对纹理特征进行筛选，能够筛选掉无意义的特征，同时保留鉴别能力高的纹理特征，减少了计算量。需要说明的是，本实施例也可以作为在第二实施例基础上的改进，可以达到同样的技术效果。

本发明第四实施例涉及一种小肝癌早期复发概率的预测方法，应用于电脑等电子设备，电脑中预设有基于第一实施例至第三实施例中任一项的小肝癌早期复发概率预测模型的构建方法所构建的小肝癌早期复发概率预测模型，从而能够在术前利用该小肝癌早期复发概率预测模型对患者进行手术后的小肝癌早期复发概率进行预测。

本实施例的小肝癌早期复发概率的预测方法的具体流程如图6所示。

步骤401，基于待测对象的医学影像数据，获取待测对象的影像组学评分。

具体而言，待测对象即为待进行治疗的小肝癌患者，通过MRI磁共振成像、CT等医学检查手段，得到待测对象的医学影像数据，电脑连接于这些检查设备，能够获取待测对象的医学影像数据。在一个例子中，医学影像数据所包含的多种类型的医学图像包括以下之一或任意组合：T1WI图像(T1加权图像)、T2WI图像(T2加权图像)、动脉期AP图像、门脉期PVP图像、延迟期DP图像以及肝胆期HBP图像。在得到待测患者的医学影像数据，便能够计算出该待测对象的影像组学评分。其中，在计算影像组学评分所使用的特征为在构建小肝癌早期复发概率预测模型时所选择的特征。

步骤402，根据待测对象的影像特征、临床特征以及影像组学评分，得到待测对象的多个独立预测因子的值。

具体而言，电脑中所预设的小肝癌早期复发概率预测模型设定与小肝癌早期复发的独立预测因子的类型，然后基于待测对象的医学影像数据与临床检查数据，能够得到待测对象的多个独立预测因子的值。

步骤403，根据多个独立预测因子的值以及基于第一实施例至第三实施例中任一项的构建方法所构建的小肝癌早期复发概率预测模型，得到待测对象小肝癌的早期复发概率。

具体而言，将待测对象的多个独立预测因子的值输入到预设在电脑中的小肝癌早期复发概率预测模型中，便能够得到该待测对象进行手术后的小肝癌的早期复发概率。

本实施例相对于第一实施例而言，能够在术前对小肝癌患者进行手术后的早期复发概率进行预测，供医生在制定治疗方案时作为参考以优化治疗方案，减少小肝癌患者术后的早期复发概率。

本发明第五实施例涉及一种电子设备，例如生物医疗装置、电脑等。该电子设备能够执行第一至第三实施例中任一项的小肝癌早期复发概率预测模型的构建方法和/或第四实施例中的小肝癌早期复发概率的预测方法。

以上已详细描述了本发明的较佳实施例，但应理解到，若需要，能修改实施例的方面来采用各种专利、申请和出版物的方面、特征和构思来提供另外的实施例。

考虑到上文的详细描述，能对实施例做出这些和其它变化。一般而言，在权利要求中，所用的术语不应被认为限制在说明书和权利要求中公开的具体实施例，而是应被理解为包括所有可能的实施例连同这些权利要求所享有的全部等同范围。