一种整合心理临床因素预测肿瘤免疫治疗疗效的方法及系统

摘要

本申请公开了一种整合心理临床因素预测肿瘤免疫治疗疗效的方法及系统，该方法通过提前预设第一回归模型和第二回归模型，构建两个回归模型之后，收集获取心理因素和临床因素；随后将已获取的心理因素和临床因素结合第一回归模型，计算获取风险指标；随后将已获取的风险指标结合第二回归模型，根据相应的规则构建出包含多种输入因素的预测模型，通过此预测模型预测肿瘤免疫治疗疗效；本方法通过对心理因素和临床因素进行相应的计算，构建包含多种输入因素的预测模型，以预测肿瘤免疫治疗疗效；从而可以有效地预测心理因素和临床因素对肺癌免疫治疗的疗效；该系统具有同样的有益效果。

说明书

技术领域

本申请属于模型预测技术领域，尤其涉及一种整合心理临床因素预测肿瘤免疫治疗疗效的方法及系统。

背景技术

肺癌是我国发病率及致死率排名第一的恶性肿瘤，其中非小细胞肺癌约占80％～85％。免疫检查点抑制剂是免疫治疗中最常用的类型之一，现已广泛应用于肺癌的治疗，近年来，以针对程序性死亡因子-1(PD-1)/程序性死亡因子配体-1(PD-L1)的免疫检查点抑制剂为代表的免疫治疗虽可改善患者生存，成为肺癌临床治疗的基石，但在众多的肺癌患者中只有15％-20％的肺癌患者可对免疫治疗持久获益，部分接受免疫治疗的患者中表现出对免疫治疗的无反应甚至产生严重的副作用；由此，用于预测肺癌免疫治疗疗效的预测模型也随之产生。

但在目前已有的免疫治疗疗效的预测模型中，仅考虑了临床因素及基因表达情况，并没有考虑精神心理因素对免疫治疗疗效的影响；经研究表明，40％-80％的肺癌患者中均有慢性心理应激的状态，主要表现为焦虑和抑郁情绪，而精神心理因素影响机体免疫功能作用；因此，由于单一输入因素使得现有预测模型预测肺癌的免疫治疗疗效不够准确，可能导致基于该预测模型所决策的肺癌免疫治疗的方案出现误差。

鉴于此，提供一种考虑心理因素和临床因素且用于预测肺癌免疫治疗疗效的方法及系统是本领域技术人员亟待解决的技术问题。

发明内容

本发明的目的在于提供一种整合心理临床因素预测肿瘤免疫治疗疗效的方法及系统，可以有效地预测心理因素和临床因素对肺癌免疫治疗的疗效；

本发明提供的技术方案如下：

一种整合心理临床因素预测肿瘤免疫治疗疗效的方法，包括如下步骤：

获取心理因素和临床因素；

根据预设第一回归模型、心理因素和临床因素，以获取风险指标；

根据预设第二回归模型和所述风险指标构建预测模型，以预测肿瘤免疫治疗疗效。

优选地，所述风险指标包括：心理风险指标和临床风险指标；

所述根据预设第一回归模型和心理因素和临床因素，以获取风险指标，包括如下步骤：

根据所述第一回归模型对所述心理因素和所述临床因素进行筛选；

将筛选后的所述心理因素和筛选后的所述临床因素按照预设规则，通过所述第一回归模型获取对应的所述心理风险指标和所述临床风险指标。

优选地，所述根据预设第二回归模型和所述风险指标构建预测模型，以预测肿瘤免疫治疗疗效，具体为：

根据所述预设第二回归模型的回归系数和所述风险指标构建所述预测模型，以预测肿瘤免疫治疗疗效。

优选地，所述根据预设第二回归模型和所述风险指标构建预测模型，以预测肿瘤免疫治疗疗效之后，还包括：检验所述预测模型的预测效能。

优选地，所述检验所述预测模型的预测效能，包括如下步骤：

根据预设公式和所述风险指标，以获取风险评分；

对所述风险评分进行处理，以获取风险生存曲线和所述风险生存曲线对应的生存率；

根据所述生存率获取ROC曲线和所述ROC曲线对应的线下面积，并根据所述ROC曲线对应的线下面积检验预测模型的预测效能。

优选地，所述对所述风险评分进行处理，以获取风险生存曲线和所述风险生存曲线对应的生存率，包括如下步骤：

根据所述风险评分获取所述风险评分的中位数；

根据所述中位数、所述心理因素和所述临床因素，以获取所述心理因素所对应的风险对照组和所述临床因素所对应的风险对照组；

根据所述心理因素所对应的风险对照组和所述临床因素所对应的风险对照组，通过第一预设工具以获取风险生存曲线和所述风险生存曲线对应的生存率。

优选地，所述根据所述生存率获取ROC曲线和所述ROC曲线对应的线下面积，并根据所述ROC曲线对应的线下面积检验预测模型的预测效能，包括如下步骤：

根据所述生存率通过第二预设工具绘制ROC曲线；

根据所述ROC曲线获取ROC曲线对应的线下面积；

根据所述ROC曲线对应的线下面积和预设面积阈值，检验所述预测模型的预测效能。

一种整合心理临床因素预测肿瘤免疫治疗疗效的系统，包括：模型设置模块、数据获取模块、风险指标模块和构建模块；

所述模型设置模块，用于预设第一回归模型和第二回归模型；

所述获取模块，用于获取心理因素和临床因素；

所述风险指标模块，用于根据预设第一回归模型、所述心理因素和所述临床因素，以获取风险指标；

所述构建模块，用于根据预设第二回归模型和所述风险指标构建预测模型，以预测肿瘤免疫治疗疗效。

优选地，还包括检验模块；

所述检验模块，用于检验所述预测模型的预测效能；

所述检验模块还包括：评分获取模块、第一曲线获取模块和第二曲线获取模块；

所述评分获取模块，用于根据预设公式和所述风险指标，以获取风险评分；

所述第一曲线获取模块，用于对所述风险评分进行处理，以获取风险生存曲线和所述风险生存曲线对应的生存率；

所述第二曲线获取模块，用于根据所述生存率获取ROC曲线和所述ROC曲线对应的线下面积，并根据所述ROC曲线对应的线下面积检验所述预测模型的预测效能。

本发明提供了一种整合心理临床因素预测肿瘤免疫治疗疗效的方法及系统，该方法是通过两个预设的回归模型以及提前获取的心理因素和临床因素，构建一个预测模型，根据此预测模型预测肿瘤免疫治疗疗效，以解决现有技术中预测免疫治疗疗效不准确的技术问题。

具体是：提前预设第一回归模型和第二回归模型，构建两个回归模型之后，通过现有技术手段收集获取心理因素和临床因素，从而避免现有技术的单一输入因素的影响；随后将已获取的心理因素和临床因素结合第一回归模型，计算获取风险指标；随后将已获取的风险指标结合第二回归模型，根据相应的规则构建预测模型，根据此预测模型预测肿瘤免疫治疗疗效。

本方法所构建的预测模型，由于在第一步就考虑了多种因素，随后在第二步结合第一回归模型将心理因素和临床因素转换为一定数量的风险指标；随后根据一定数量的风险指标结合第二回归模型，构建包含多种输入因素的预测模型，然后再通过预测模型预测肿瘤免疫治疗疗效。

相比于现有技术中的单一输入因素的预测模型，本方法通过两个回归模型与心理因素和临床因素进行相应的计算，构建包含多种输入因素的预测模型，以预测肿瘤免疫治疗疗效，从而可以有效地预测心理因素和临床因素对肺癌免疫治疗的疗效。

本发明还提供了一种整合心理临床因素预测肿瘤免疫治疗疗效的系统，由于该系统与该整合心理临床因素预测肿瘤免疫治疗疗效的方法解决相同的技术问题，属于相同的技术构思，理应具有相同的有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请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申请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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中提供一种整合心理临床因素预测肿瘤免疫治疗疗效的方法的流程图；

图2为本发明实施例中Lasso系数路径图；

图3为本发明实施例中步骤S2的流程图；

图4为本发明实施例中Lasso回归分析交叉验证曲线图；

图5为本发明实施例中检验预测模型的流程图；

图6为本发明实施例中步骤B2的流程图；

图7为本发明实施例中风险生存曲线图；

图8为本发明实施例中步骤B3的流程图；

图9为本发明实施例中ROC曲线图；

图10为本发明实施例中风险值的可视化图；

图11为本发明实施例中生存时间的可视化图；

图12为本发明实施例中提供一种整合心理临床因素预测肿瘤免疫治疗疗效的系统的结构示意图；

图13为本发明实施例中检验模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，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；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

如图1所示，本发明实施例提供一种整合心理临床因素预测肿瘤免疫治疗疗效的方法，包括如下步骤：

S1.获取心理因素和临床因素；

S2.根据预设第一回归模型、心理因素和临床因素，以获取风险指标；

S3.根据预设第二回归模型和所述风险指标构建预测模型，以预测免疫治疗疗效。

步骤S1中，本实施例采用问卷评分结合临床诊断数据的方式准确地收集心理因素和临床因素，从而避免现有技术的单一输入因素对肺癌免疫治疗疗效及预后的影响；本领域技术人员还可以根据实际需要采用其他的方式准确的收集心理因素和临床因素；

实际运用过程中，心理因素包括：抑郁状态和焦虑状态；临床因素包括：患者的病理类型、吸烟史、吸烟指数、肺癌TNM分期、肾上腺素水平、去甲肾上腺素表达水平、睡眠评分、睡眠质量、PD-L1表达水平、一线治疗方案和肿瘤转移情况；

步骤S2中，将步骤S1中采集的心理因素和临床因素输入至预设第一回归模型中进行处理，计算得到与肺癌免疫治疗疗效及预后影响较大的风险指标；

需要说明的是，本实施例中所采用的预设第一回归模型为Lasso回归模型；Lasso回归模型通过构造一个惩罚函数得到一个较为精炼的模型，使得压缩一些回归系数，如图2所示，即强制系数绝对值之和小于某个固定值；同时设定一些回归系数为零；所以保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计；因此，本实施方式通过Lasso回归模型将心理因素和临床因素进行计算处理得到对应的风险指标；

步骤S3中，将步骤S2中所得到的风险指标输入至预设第二回归模型中，进行处理后建立预测模型，是根据免疫治疗前和治疗早期的无创问卷分析结合临床因素通过第二回归模型，构建可以有效预测肺癌免疫治疗疗效的预测模型；

需要说明的是，本实施例中所采用的预设第二回归模型为多因素COX回归模型，多因素COX回归模型又称“比例风险回归模型”，简称COX回归模型，是一种半参数回归模型；该模型以生存结局和生存时间为应变量，可同时分析众多因素对生存期的影响，能分析带有截尾生存时间的资料，且不要求估计资料的生存分布类型；

优选地，风险指标包括：心理风险指标和临床风险指标；

如图3所示，所述步骤S2，包括如下步骤：

A1.根据第一回归模型对心理因素和临床因素进行筛选；

A2.将筛选后的心理因素和筛选后的临床因素按照预设规则，通过第一回归模型获取对应的心理风险指标和临床风险指标。

步骤A1至A2中，首先预先设置第一回归模型，再通过第一回归模型从心理因素和临床因素中进行筛选，通过第一回归模型的输出结果，通过使用交叉验证选择一个最优λ值，得到该模型的变量系数和最优的变量合集，如图4所示，根据变量系数和最优的变量合集筛选出与预后及疗效相关的多个变量，然后将筛选出的多个变量作为风险标志物；本实施例采用Lasso回归模型为第一回归模型，通过Lasso回归模型从心理因素和临床因素中进行筛选，筛选出与预后及疗效呈现显著性相关的抑郁状态、焦虑状态、PD-L1表达水平、肺癌TNM分期和吸烟指数5个变量，然后将这5个变量作为风险标志物；也可以根据实际需求选择其他的回归模型用于筛选与预后及疗效呈现显著性相关的变量，并将此变量作为风险标志物。

需要说明的是，抑郁状态的测定通过PHQ-9问卷评分进行；PHQ-9全称为健康问卷抑郁量表-9，用于评估抑郁状态；

作为抑郁状态严重程度的衡量标准，PHQ-9总和评分可以从0到27，因为每个评分得分为：0表示根本没有、1表示几天、2表示超过半天和3表示几乎每天；5、10、15和20的界限表示轻度、中度、中度至重度和重度抑郁症状；即如果PHQ-9评分大于4分，可判断为具有抑郁状态；

本实施例的焦虑状态的测定通过GAD-7问卷评分进行；GAD-7全称为广泛性焦虑量表-7，用于评估焦虑状态；

作为抑郁状态严重程度的衡量标准，GAD-7总和评分可以从0到21，因为每个评分得分为：0表示根本没有、1表示几天、2表示超过半天和3表示几乎每天；5、10和15代表轻度、中度、中度至重度和重度焦虑症状；即如果GAD-7评分大于4分，可判断为具有焦虑状态；

吸烟指数是基于时间和数量维度衡量吸烟程度的指标，其数值等于每天吸烟支数乘以吸烟年数；吸烟和二手烟均被证明是导致肺癌的诱因；也已有研究表明，吸烟与免疫治疗的疗效存在相关性；

肺癌TNM分期是基于第8版美国癌症联合会TNM分期系统，在此系统中：T指肿瘤原发灶的情况，随着肿瘤体积的增加和邻近组织受累范围的增加，依次用T1～T4来表示；N指区域淋巴结受累情况，淋巴结未受累时，用N0表示；随着淋巴结受累程度和范围的增加，依次用N1-N3表示；M指远处转移通常是血道转移，没有远处转移者用M0表示，有远处转移者用M1表示；在此基础上，用TNM三个指标的组合划出特定的分期，使肺癌TNM分期值得以确定，肺癌TNM分期值由数字1、2、3、4表示，Ⅰ期则为赋值为1，Ⅱ期则为赋值为2，Ⅲ期则为赋值为3，Ⅳ期则为赋值为4；

PD-L1表达水平为肿瘤细胞的程序性死亡受体-配体1表达水平，采用TPS评分，即肿瘤细胞膜表面PD-L1染色阳性肿瘤细胞数除以总肿瘤细胞数的百分比；

肾上腺素水平、去甲肾上腺素表达水平、睡眠评分、睡眠质量、患者的病理类型、吸烟史、一线治疗方案和肿瘤转移情况这些临床因素都可以通过检测得到。

优选地，所述步骤S3，具体为：

根据预设第二回归模型的回归系数和多个风险指标构建预测模型，以预测肿瘤免疫治疗疗效。

实际运用过程中，预设第二回归模型的回归系数根据多个风险指标的线性相关性产生一个矩阵，根据这个矩阵构建预测模型，然后再根据预测模型预测肿瘤免疫治疗的疗效；本实施例采用多因素COX回归模型为第二回归模型，也可以根据构建预测模型的预设条件选择其他的回归模型构建一个将心理因素和临床因素相结合的用于有效预测患者免疫治疗疗效的预测模型；本实施例所使用的回归系数为第二回归模型涉及检查每个自变量的系数；正回归系数意味着该变量值较高的患者存在高风险，即预后较差；负回归系数意味着该变量值较高的患者预后较好。

优选地，所述步骤S3之后，还包括：检验预测模型的预测效能。

实际运用过程中，本实施例还将对步骤S3中所构建的预测模型进行检验，以判断预测模型的预测能力的预测效能；本实施例通过对心理因素和临床因素进行处理，然后根据处理结果采用曲线的线下面积对所构建的预测模型的预测效能进行检验。

如图5所示，优选地，所述检验预测模型的预测效能，包括如下步骤：

B1.根据预设公式和风险指标，以获取风险评分；

B2.对风险评分进行处理，以获取风险生存曲线和风险生存曲线对应的生存率；

B3.根据生存率获取ROC曲线和ROC曲线对应的线下面积，并根据ROC曲线对应的线下面积检验预测模型的预测效能。

步骤B1中，通过风险评分公式计算得到风险评分，风险评分公式为(-0.0126×PD-L1表达水平)+(1.7408×抑郁状态)+(0.7055×肺癌TNM分期)+(0.0007×吸烟指数)+(-0.4565×焦虑状态)；其中，-0.0126、1.7408、0.7055、0.0007和0.4565为回归系数，即通过第二回归模型输出输入变量所对应的回归系数；在本实施例中分别表示PD-L1表达水平、抑郁状态、肺癌TNM分期、吸烟指数和焦虑状态对应因素的回归系数，分别表示负回归系数，正回归系数，正回归系数，正回归系数，正回归系数；

步骤B2中，通过对步骤B1计算得到的风险评分再次进行计算处理，根据处理结果绘制风险生存曲线，实现数据的可视化，以便临床医生更好地判断免疫治疗疗效及预后的变化，并计算出风险生存曲线的生存率；风险生存曲线为根据风险模型及风险中位值得出患者的高低风险，分为两组绘制生存曲线图；生存曲线的生存率是指患者群体内的每一个体经过一定时限以后生存的机率；如以横轴为经过的时间(日、月或年)，纵轴为生存率，则可绘出生存曲线；

步骤B3中，通过步骤B2中计算得到的生存曲线的生存率绘制ROC曲线，并计算ROC曲线下面积，再根据ROC曲线下面积的值来检验预测模型的预测效能；ROC曲线为受试者工作特征曲线(receiver operator characteristic curve)，简称ROC曲线，最初用于评价雷达性能，又称为接收者操作特性曲线；ROC曲线是根据一系列不同的二分类方式(分界值或决定尔)，以真阳性率(灵敏度)为以坐标，假阳性率(1-特异度)为横坐标绘制的曲线。

如图6所示，优选地，所述步骤B2，包括如下步骤：

C1.根据风险评分获取风险评分的中位数；

C2.根据中位数、心理因素和临床因素，以获取心理因素所对应的风险对照组和临床因素所对应的风险对照组；

C3.根据心理因素所对应的风险对照组和临床因素所对应的风险对照组，通过第一预设工具以获取风险生存曲线和风险生存曲线对应的生存率。

步骤C1中，首先将步骤步骤B1中计算得到的风险评分进行从小到大或从大到小排序，然后根据风险评分的个数得到中位数，当风险评分的个数为奇数个时，最中间的一个风险评分就是中位数；风险评分的个数为偶数个时,最中间两个风险评分的平均数就是中位数；

中位数是通过将数据排序得到的，它不受最大、最小两个极端数值的影响；中位数在一定程度上综合了平均数和中位数的优点，具有比较好的代表性；部分数据的变动对中位数没有影响，当一组数据中的个别数据变动较大时，常用它来描述这组数据的集中趋势；另外，中位数在一组数据的数值排序中处中间的位置；

步骤C2中，将步骤C1中计算得到中位数作为阈值，再根据阈值划分风险对照组；本实施例中将心理因素和临床因素根据计算出的中位数阈值划分为与之对应的高风险组和低风险组，心理因素和临床因素的风险评分大于等于中位数阈值的，将分为高风险组；心理因素和临床因素的风险评分小于中位数阈值的，将分为低风险组；

步骤C3中，根据步骤C2中所划分的高风险组和低风险组通过第一预设工具绘制风险生存曲线，并计算出风险生存曲线的生存率P，如图7所示；本实施例所采用的第一预设工具为R包survival；R包survival是指命名为survival的R语言包，用于进行生存分析；此包包含函数Surv()，它将输入数据作为R语言公式，并在选择的变量中创建一个生存对象用于分析。

如图8所示，优选地，所述步骤B3，包括如下步骤：

D1.根据生存率通过第二预设工具绘制ROC曲线；

D2.根据ROC曲线获取ROC曲线对应的线下面积；

D3.根据ROC曲线对应的线下面积和预设面积阈值，检验预测模型的预测效能。

步骤D1中，根据风险生存曲线的生存率通过第二预设工具绘制ROC曲线，本实施例中采用的第二预设工具为R包survival ROC；R包survival ROC是指命名为survival ROC的R语言包，用于绘制时间依赖的ROC曲线；

步骤D2中，根据步骤D1中的ROC曲线计算出ROC曲线所对应的线下面积AUC，如图9所示，因为ROC曲线很容易地查出任意界限值时的对疾病的识别能力，可以通过分别计算各个试验的ROC曲线的线下面积AUC进行比较，哪一种试验的线下面积AUC最大，则哪一种试验的诊断最佳；也可以将各个试验的ROC曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的ROC曲线所代表的受试者工作最准确；

步骤D3中，首先预先设置一个线下面积阈值，再根据ROC曲线所对应的线下面积的值是否达到预设面积阈值来检验预测模型的预测效能，并通过风险值和生存时间进行可视化展示，如图10至图11所示；若ROC曲线所对应的线下面积AUC的值大于等于预设面积阈值，则说明预测模型的预测效能强；若ROC曲线所对应的线下面积AUC小于预设面积阈值，则说明预测模型的预测效能弱；如预设面积阈值为0.5，本实施例根据绘制的ROC曲线计算出的ROC曲线下面积为0.886，大于预设面积阈值，说明预测模型的预测效能强。

如图12所示，本发明还提供一种整合心理临床因素预测肿瘤免疫治疗疗效的系统，包括：模型设置模块、数据获取模块、风险指标模块和构建模块；

模型设置模块，用于预设第一回归模型和第二回归模型；

获取模块，用于获取心理因素和临床因素；

风险指标模块，用于用于根据预设第一回归模型、所述心理因素和所述临床因素，以获取风险指标；

构建模块，用于根据预设第二回归模型和所述风险指标构建预测模型，以预测免疫治疗疗效。

实际运用过程中，预测模型构建系统中，设置有模型设置模块、数据获取模块、风险指标模块和构建模块；模型设置模块与数据获取模型是并列关系；模型设置模块分别与风险指标模块和构建模块连接；数据获取模块与风险指标模块连接；风险指标模块与构建模块连接；模型设置模块将第一回归模型和第二回归模型预先设置后，分别将第一回归模型和第二回归模型发送至风险指标模块和构建模块中；数据获取模块将心理因素和临床因素获取后，发送中风险指标模块中；风险指标模块将根据模型设置模块中预设的第一回归模型和数据获取模块获取的心理因素和临床因素，以获取风险指标，并将风险指标发送至构建模块中；构建模块将根据模型设置模块中预设的第二回归模型和风险指标模块中所得到的风险指标构建预测模型，以预测免疫治疗疗效。

如图13所示，优选地，还包括检验模块；

检验模块，用于检验预测模型的预测效能；

检验模块还包括：评分获取模块、第一曲线获取模块和第二曲线获取模块；

评分获取模块，用于根据预设公式和风险指标，以获取风险评分；

第一曲线获取模块，用于对风险评分进行处理，以获取风险生存曲线和风险生存曲线对应的生存率；

第二曲线获取模块，用于根据生存率获取ROC曲线和ROC曲线对应的线下面积，并根据ROC曲线对应的线下面积检验预测模型的预测效能。

实际运用过程中，检验模块与构建模块连接；构建模块将构建后的预测模型发送至检验模块中；检验模块将检验构建模块中所构建的预测模型的预测能力和准确性；

第一曲线获取模块分别与第二曲线获取模块和评分获取模块连接；评分获取模块根据预设公式和风险指标获取风险评分，将获取的风险评分发送至第一曲线获取模块中；第一曲线获取模块将对评分获取模块中的风险评分进行处理，以获取风险生存曲线和风险生存曲线对应的生存率，并将风险生存曲线对应的生存率发送至第二曲线获取模块中；第二曲线获取模块根据生存率获取ROC曲线和ROC曲线对应的线下面积，并根据ROC曲线对应的线下面积检验预测模型的预测效能。

在本申请所提供的实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个模块或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

另外，在本发明各实施例中的各功能模块可以全部集成在一个处理器中，也可以是各模块分别单独作为一个器件，也可以两个或两个以上模块集成在一个器件中；本发明各实施例中的各功能模块既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令及相关的硬件来完成，前述的程序指令可以存储于计算机可读取存储介质中，该程序指令在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read On ly Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

应当理解，本申请中如若使用了“方法”、“装置”、“单元”和/或“模块”，仅是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换该词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

本申请中如若使用了流程图，则该流程图是用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

以上对本发明所提供的一种整合心理临床因素预测肿瘤免疫治疗疗效的方法及系统进行了详细介绍。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。