CN115995295A - 基于影像组学的乳腺癌骨转移治疗反应评估方法及系统 - Google Patents

Abstract

本发明提供一种基于影像组学的乳腺癌骨转移治疗反应评估方法及系统，涉及医学图像处理技术领域，该方法包括：获取乳腺癌骨转移患者的医学影像，根据经过治疗后的疗效记录确定所述医学影像对应的影像组学标签；从医学影像中选取溶骨性病变区域，并提取出影像组学特征以构建训练组和测试组，将训练组中影像组学特征分别输入至预先构建的至少两个影像组学模型进行模型参数训练，并通过测试组进行验证，得到各影像组学模型的性能评分；选用性能评分高于预设阈值的影像组学模型对待评估医学影像进行乳腺癌骨转移治疗反应评估。通过该方式，可以实现对乳腺癌骨转移患者抗骨转移治疗反应的评估，为进一步促进转移性乳腺癌治疗方案的优化提供依据。

Description

基于影像组学的乳腺癌骨转移治疗反应评估方法及系统

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种基于影像组学的乳腺癌骨转移治疗反应评估方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成已经成为本领域一般技术人员所公知的现有技术。

乳腺癌是全世界女性最常见的癌症，约1/3的乳腺癌患者会发生远处非淋巴结转移，一旦发生远处转移，5年生存率将下降到23％。骨骼是乳腺癌最常见的转移部位，死于乳腺癌的患者中，70％存在骨转移的证据。尽管局限于骨转移的乳腺癌通常被认为是一种惰性疾病，但发生骨转移的患者常表现出骨疼痛，并且可能合并骨骼相关事件(skeletal-related events，SRE)的发生，SRE包括病理性骨折、需要放射治疗以减轻骨痛或减少骨内结构损伤、手术以预防或修复骨折、脊髓压迫和高钙血症，这些事件给患者造成巨大的身心痛苦，严重影响患者的生存质量。在所有肿瘤类型中，乳腺癌和多发性骨髓瘤患者的SRE发生率最高，有效降低相关发病率或完全预防SRE的发生，积极控制骨转移的发展十分重要。

骨转移的检测有多种方法，CT、骨扫描、MRI、PET-CT等，其中，CT具有扫描速度快，图像的空间分辨率极佳等优点，可对软组织中的目标病变进行准确和可重复的测量。尽管通过CT横断面成像技术评估的包含有可识别软组织成分的溶骨性病变或混合性病变被认为是可测量的病变，然而对于仅有骨转移或以骨转移为主的转移性乳腺癌的评估和再分期价值有限，这将限制临床医生依靠CT影像区分由于对系统抗癌治疗(SACT)、双膦酸盐类药物的反应而引起的愈合反应和肿瘤的进展。同时，包括超声及核磁共振在内的CT以外的影像检查手段各有其关键的局限性。总之，目前尚无对于抗骨转移药物疗效的有效评价方法。

因此，如何提供一种客观的、可重复的方法来评估乳腺癌骨转移经系统抗癌治疗(SACT)的反应是目前仍需解决的问题。

发明内容

为了解决上述问题，本发明提供一种基于影像组学的乳腺癌骨转移治疗反应评估方法及系统，通过选取医学影像中的溶骨性病变区域，提取影像学特征，并对构建的影像学模型进行验证，以实现对乳腺癌骨转移患者抗骨转移治疗反应的评估，为进一步促进转移性乳腺癌治疗方案的优化提供依据。

为了实现上述目的，本发明主要包括以下几个方面：

第一方面，本发明实施例提供一种基于影像组学的乳腺癌骨转移治疗反应评估方法，包括：

获取乳腺癌骨转移患者的医学影像，根据经过治疗后的疗效记录确定所述医学影像对应的影像组学标签；

从所述医学影像中选取溶骨性病变区域，并提取出影像组学特征以构建训练组和测试组，将训练组中影像组学特征分别输入至预先构建的至少两个影像组学模型进行模型参数训练，并通过测试组进行验证，得到各影像组学模型的性能评分，其中，各影像组学模型是基于不同的机器学习算法构建的分类器；

选用性能评分高于预设阈值的影像组学模型对待评估医学影像进行乳腺癌骨转移治疗反应评估。

在一种可能的实施方式中，在获取乳腺癌骨转移患者的医学影像之后，还包括根据入组标准和排除标准对医学影像进行筛选；

其中，所述入组标准包括：乳腺癌骨转移患者的病例通过手术或穿刺取得病理，证实为乳腺癌；医学影像学资料显示溶骨性骨破坏，病理或影像报告明确乳腺癌骨转移；明确骨转移后行药物治疗并进行疗效评价；有软组织病灶用来评价疗效或行ECT检查能明确病情发生进展；骨转移瘤未经局部放射治疗；

排除标准包括：医学影像有运动伪影、图像质量不符合预设要求、扫描条件有差异，层厚不一致；骨转移瘤经局部放射治疗；无法明确疗效。

在一种可能的实施方式中，所述影像组学特征包括统计量特征、用于反映区域形状和大小的三维特征和纹理特征。

在一种可能的实施方式中，在提取出影像学特征之后，还包括：获取同一医学影像的多个影像学特征，计算影像学特征对之间的组内相关系数，排除组内相关系数小于预设相关系数阈值的影像学特征。

在一种可能的实施方式中，所述机器学习算法包括K-近邻算法、支持向量机、XGBoost、随机森林、逻辑回归和决策树。

在一种可能的实施方式中，所述影像组学模型的性能评价指标包括ROC曲线下面积、准确率、召回率、F1分数和支持度；将随机分组的测试集的验证结果作为评估模型分类的精确度，取每次验证得分的平均数，建立精准度矩阵，根据所述精确度矩阵确定影像组学模型的性能评分。

在一种可能的实施方式中，还包括：通过选取的特征与对应加权系数乘积的线性组合依次形成每个乳腺癌骨转移患者的影像组学标签，并据此计算每个乳腺癌骨转移患者基于各影像组学标签的风险评分。

第二方面，本发明实施例提供一种基于影像组学的乳腺癌骨转移治疗反应评估系统，包括：

获取模块，用于获取乳腺癌骨转移患者的医学影像，根据经过治疗后的疗效记录确定所述医学影像对应的影像组学标签；

性能评分模块，用于从所述医学影像中选取溶骨性病变区域，并提取出影像组学特征以构建训练组和测试组，将训练组中影像组学特征分别输入至预先构建的至少两个影像组学模型进行模型参数训练，并通过测试组进行验证，得到各影像组学模型的性能评分，其中，各影像组学模型是基于不同的机器学习算法构建的分类器；

评估模块，用于选用性能评分高于预设阈值的影像组学模型对待评估医学影像进行乳腺癌骨转移治疗反应评估。

第三方面，本发明实施例提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面中所述的基于影像组学的乳腺癌骨转移治疗反应评估方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面中所述的基于影像组学的乳腺癌骨转移治疗反应评估方法的步骤。

以上一个或多个技术方案存在以下有益效果：

本发明通过选取医学影像中的溶骨性病变区域，提取影像学特征，并对构建的影像学模型进行验证，以实现对乳腺癌骨转移患者治疗反应的客观评估，为进一步促进乳腺癌骨转移治疗方案的优化提供依据。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例一所提供的基于影像组学的乳腺癌骨转移治疗反应评估方法的流程示意图；

图2A和图2B是本发明实施例一所提供的乳腺癌骨转移的手动分割的示例图；

图3A-图3E是本发明实施例一所提供的特征提取和筛选的结果展示图；

图4A-图4F是本发明实施例一所提供的常规CT图像上的ROC曲线。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

如图1所示，本实施例提供一种基于影像组学的乳腺癌骨转移治疗反应评估方法，具体包括以下步骤：

S101：获取乳腺癌骨转移患者的医学影像，根据经过治疗后的疗效记录确定所述医学影像对应的影像组学标签。其中，所述影像组学标签包括治疗无效组和治疗有效组。

在具体实施中，收集医院内具有住院记录和影像资料的乳腺癌骨转移患者，对入组患者的医学影像(如CT图像)进行回顾性分析。本实施例共入组患者134例(男1例，女133例；平均年龄,53±10.53岁；年龄范围：29-83岁)，平扫CT图像134例。

所有患者在发现骨转移后行规范全身治疗，2-3周期后进行疗效评价，未进行局部放射治疗。临床医生根据RECIST version 1.1标准及ECT等检查对患者进行总体疗效判断并记录，根据记录结果的不同将所有的平扫CT图像分为两组，即治疗无效组51例和治疗有效组83例，将两组以7:3的比例分层随机抽样分为训练组93例与测试组41例。

这里，治疗无效组和治疗有效组在年龄、身体状况、激素受体(HR)状态、HER-2状态、骨转移期间使用二膦酸盐、骨靶向制剂等药物情况方面没有显著差异。临床资料用SPSS24.0统计软件进行分析，年龄用±s表示，组间比较采用独立样本t检验；激素受体状态、HER-2状态、体力状态、骨转移期间药物使用情况采用χ²检验。

表1入组患者的一般情况

作为一可选实施方式，在获取乳腺癌骨转移患者的医学影像之后，还包括根据入组标准和排除标准对医学影像进行筛选；

其中，所述入组标准包括：乳腺癌骨转移患者的病例通过手术或穿刺取得病理，证实为乳腺癌；医学影像上显示溶骨性骨破坏，病理或影像报告明确乳腺癌骨转移；明确骨转移后行药物治疗并进行疗效评价；有软组织病灶用来评价疗效或行ECT检查能明确病情发生进展；骨转移瘤未经局部放射治疗；

排除标准包括：医学影像有运动伪影、图像质量不符合预设要求、扫描条件有差异，层厚不一致；骨转移瘤经局部放射治疗；无法明确疗效。

本实施例采用SOMATOMDefinition AS 64排螺旋CT行平扫检查，扫描条件：管电压120kV，自动管电流，矩阵512×512，扫描层厚5mm，层间距为5mm，所收集的患者皆能正常配合检查。

S102：从所述医学影像中选取溶骨性病变区域，并提取出影像组学特征以构建训练组和测试组，将训练组中影像组学特征分别输入至预先构建的至少两个影像组学模型进行模型参数训练，并通过测试组进行验证，得到各影像组学模型的性能评分，其中，各影像组学模型是基于不同的机器学习算法构建的分类器。

在具体实施中，所有CT图像上病变的感兴趣区(ROI)都由两名分别具有工作经验的放射科医师采用双盲法进行评估勾画，前一名医生勾画结束后再由后一名资深医师进行复查。如果差异≥5％，由后者决定边界并重新勾画。在所有图像中选取最大溶骨性病变的最大横截面积作为VOI，然后进行灰度归一化处理，以减少对比度和亮度变化的影响。最终从134例CT图像中分割出134个ROI用于受试者分析，图2展示了手动分段过程的一个示例。

作为一可选实施方式，所述影像组学特征包括统计量特征、用于反映区域形状和大小的三维特征和纹理特征。

在具体实施中，使用Radcloud平台从CT图像中提取1409个定量成像特征，这些特征可以分为三组：

第一组(一阶统计量)由126个描述符组成，这些描述符能定量描述体素强度在CT图像中的分布；

第二组(基于形状和大小的特征)包含14个反映区域形状和大小的三维特征；

第三组(纹理特征)是根据灰度游程和灰度共生纹理矩阵，将能够量化区域异质性差异的525个纹理特征，纹理特征能够刻画图像中重复出现的局部模式与他们的排列规则，包括灰度共生矩阵(gray level co-occurrence matrix,GLCM)特征、灰度游程矩阵(graylevel run length matrix,GLRLM)特征和灰度区域大小矩阵(gray level size zonematrix,GLSZM)特征等75种特征，此外，使用指数、对数、梯度、平方值、平方根、lbp-2D和小波(小波-LHL、小波-LHH、小波-HLL、小波-LLH、小波-HLH、小波-HHH、小波-HHL、小波-LLL)等14种滤波器对图像进行滤波处理之后得到的特征，通过提取这些特征能够更加精细的分析纹理。

作为一可选实施方式，为保证上述特征的可重复性和稳定性，在提取出影像学特征之后，还包括：获取同一医学影像的多个影像学特征，计算影像学特征对之间的组内相关系数，剔除组内相关系数小于预设相关系数阈值的影像学特征。

在具体实施中，每个特征的观察者内和观察者间一致性通过计算特征对之间的组内相关系数(intra-class correlation,ICC)进行量化，重复性较低的特征被排除在后续分析之外，丢弃ICC小于预设相关系数阈值(如0.85)的任何特征。

另外，可以通过降维和特征选取减少冗余特征，特征选择方法运用方差阈值(方差阈值＝0.8)、SelectKBest和LASSO模型。对于方差阈值法，阈值为0.8，去除方差小于0.8的特征值；SelectKBest方法属于单变量特征选择方法，利用p值分析特征与分类结果之间的关系，所有p值小于0.05的特征都将被使用；对于LASSO模型，使用L1正则化器作为代价函数，交叉验证的误差值为5，最大迭代次数为1000次。

入组样本以7:3的比例分层随机抽样建立训练组(n＝93)与测试组(n＝41)，随机种子数为17个。分别使用K-近邻算法(k-Nearest Neighbor，KNN)、支持向量机(SupportVector Machine，SVM)、XGBoost、随机森林(Random Forest，RF)、逻辑回归(LogisticRegression，LR)和决策树(Decision Tree，DT)6个分类器进行模型构建。

需要说明的是，计算机不能产生绝对的随机数。只能产生伪随机数。伪随机数就是计算机产生的随机数是有规律的。

计算机通过算法产生随机数，这个算法是有映射关系的，如放进1，会出来一个特定的数。可以把这个算法看成是一个黑盒子，放进一个数，就会出来一个特定的数，并把这个数当做下一次的种子再放进去。系统实现随机数是把当前的系统时间放进去，每次都不一样，所以可以实现。但如果假设每次都放进一样的种子，生成的随机数列就是一样的了。因此在创建训练和测试数据集时使用随机种子值，目标是确保获得相同的训练和验证数据集。

在训练数据集和测试数据集分别使用了受试者工作特性(ROC)曲线来评估模型的预测性能，即曲线下面积(AUC)。除此之外，还使用4个指标来评价模型的性能，包括准确率P(precision)(指所有被预测为某一样本中实际预测正确的比例)、召回率R(recall)(指实际为某一样本中被预测正确的比例)、F1分数(F1-score)(基于准确率和召回率的调和平均)、支持度(support)(参与的总样本数)。将随机分组的测试集结果作为机器学习的评估方法从整体评估模型分类的精确度，取每次验证得分数字的平均数，建立精准度(score)矩阵，选取最优的机器学习模型。

在本实施例中，如图3A所示，通过方差阈值法从经过ICC检验的1409个CT特征中筛选出407个特征，然后如图3B所示用SelectKBest方法筛选出38个特征，最后如图3(C-E)所示，用LASSO算法筛选出6个最优特征。基于这6个特征和其回归系数构建影像组学评分(Rad-score)公式，公式为：Rad-score＝特征*系数。

其中，回归系数可使用Lasso算法得到，Lass算法是一种压缩估计。它通过构造一个惩罚函数得到一个较为精炼的模型，使得它压缩一些系数，同时设定一些系数为零。使用L1正则化将线性模型系数的L1范数作为惩罚项加到损失函数上，使得弱相关特征所对应的系数变为0，实现特征选择。

表2选定的影像组学特征及其相关特征组和过滤器的描述

6种分类器训练集和测试集的准确度矩阵得分结果见表3，KNN分类器准确度矩阵得分最高，使用此分类器训练时，测试集的AUC值为0.810(95％可信区间：0.69～0.93，敏感度0.80，特异度0.81)。所有分类器测试集ROC曲线分析结果见表4。ROC曲线如图4(A-F)所示。KNN分类器测试集的4个指标(准确率，召回率，F1分数，支持度)见表5。

表3 6种分类器训练集和验证集的准确度矩阵得分结果

表4 6种分类器测试集中AUC、95％CI、敏感性、特异性的结果

表5精确度、召回率、F1分数、支持率四个指标的结果

S103：选用性能评分高于预设阈值的影像组学模型对待评估医学影像进行乳腺癌骨转移治疗反应评估。

在具体实施中，用ROC分析评价分类器的诊断性能，建立准确度(评分)矩阵，比较和评价不同的影像组学模型。p<0.05被认为具有统计学意义。

作为一可选实施方式，通过选取的特征与对应加权系数乘积的线性组合依次形成每个乳腺癌骨转移患者的影像组学标签，并据此计算每个乳腺癌骨转移患者基于各影像组学标签的风险评分。

基于筛选的有效影像组学特征，以及通过LASSO算法获得的特征系数，根据运算公式计算每个患者的影像组学评分(RAD-SCORE),为每个患者构建影像组学标签。

RAD-SCORE＝﹣0.08448*lbp-2D_firstorder_Minimum-0.045088*lbp-2D_firstorder_Median-0.02902*LHL_gldm_HighGrayLevelEmphasis…………所有特征和系数的乘积都加起来。

以上公式的数据可以参见“表2选定的影像组学特征及其相关特征组和过滤器的描述”，每个患者图像的特征值即每个英文，在原始数据中，每个病人的特征值都是不同的。

实施例二

如图2所示，本发明实施例还提供一种基于影像组学的乳腺癌骨转移治疗反应评估系统，包括：

获取模块，用于获取乳腺癌骨转移患者的医学影像，根据经过治疗后的疗效记录确定所述医学影像对应的影像组学标签；

性能评分模块，用于从所述医学影像中选取溶骨性病变区域，并提取出影像组学特征以构建训练组和测试组，将训练组中影像组学特征分别输入至预先构建的至少两个影像组学模型进行模型参数训练，并通过测试组进行验证，得到各影像组学模型的性能评分，其中，各影像组学模型是基于不同的机器学习算法构建的分类器；

评估模块，用于选用性能评分高于预设阈值的影像组学模型对待评估医学影像进行乳腺癌骨转移治疗反应评估。

本实施例提供的基于影像组学的乳腺癌骨转移治疗反应评估系统用于实现前述的基于影像组学的乳腺癌骨转移治疗反应评估方法，因此基于影像组学的乳腺癌骨转移治疗反应评估系统中的具体实施方式可见前文中的基于影像组学的乳腺癌骨转移治疗反应评估方法的实施例部分，在此不再进行赘述。

实施例三

本发明实施例还提供一种计算机设备，所述计算机设备包括处理器、存储器和总线。所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时，可以执行如上述图1所示方法实施例中的基于影像组学的乳腺癌骨转移治疗反应评估方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

实施例四

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法实施例中所述的基于影像组学的乳腺癌骨转移治疗反应评估方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于影像组学的乳腺癌骨转移治疗反应评估方法，其特征在于，包括：

获取乳腺癌骨转移患者的医学影像，根据经过治疗后的疗效记录确定所述医学影像对应的影像组学标签；

从所述医学影像中选取溶骨性病变区域，并提取出影像组学特征以构建训练组和测试组，将训练组中影像组学特征分别输入至预先构建的至少两个影像组学模型进行模型参数训练，并通过测试组进行验证，得到各影像组学模型的性能评分，其中，各影像组学模型是基于不同的机器学习算法构建的分类器；

选用性能评分高于预设阈值的影像组学模型对待评估医学影像进行乳腺癌骨转移治疗反应评估。

2.如权利要求1所述的基于影像组学的乳腺癌骨转移治疗反应评估方法，其特征在于，在获取乳腺癌骨转移患者的医学影像之后，还包括根据入组标准和排除标准对医学影像进行筛选；

其中，所述入组标准包括：乳腺癌骨转移患者的病例通过手术或穿刺取得病理，证实为乳腺癌；医学影像上显示溶骨性骨破坏，病理或影像报告明确乳腺癌骨转移；明确骨转移后行药物治疗并进行疗效评价；有软组织病灶用来评价疗效或行ECT检查能明确病情发生进展；骨转移瘤未经局部放射治疗；

排除标准包括：医学影像有运动伪影、图像质量不符合预设要求、扫描条件有差异，层厚不一致；骨转移瘤经局部放射治疗；无法明确疗效。

3.如权利要求1所述的基于影像组学的乳腺癌骨转移治疗反应评估方法，其特征在于，所述影像组学特征包括统计量特征、用于反映区域形状和大小的三维特征和纹理特征。

4.如权利要求3所述的基于影像组学的乳腺癌骨转移治疗反应评估方法，其特征在于，在提取出影像学特征之后，还包括：获取同一医学影像的多个影像学特征，计算影像学特征对之间的组内相关系数，剔除组内相关系数小于预设相关系数阈值的影像学特征。

5.如权利要求1所述的基于影像组学的乳腺癌骨转移治疗反应评估方法，其特征在于，所述机器学习算法包括K-近邻算法、支持向量机、XGBoost、随机森林、逻辑回归和决策树。

6.如权利要求1所述的基于影像组学的乳腺癌骨转移治疗反应评估方法，其特征在于，所述影像组学模型的性能评价指标包括ROC曲线下面积、准确率、召回率、F1分数和支持度；将随机分组的测试集的验证结果作为评估模型分类的精确度，取每次验证得分的平均数，建立精准度矩阵，根据所述精确度矩阵确定影像组学模型的性能评分。

7.如权利要求1所述的预测和验证方法，其特征在于，还包括：通过选取的特征与对应加权系数乘积的线性组合依次形成每个乳腺癌骨转移患者的影像组学标签，并据此计算每个乳腺癌骨转移患者基于各影像组学标签的风险评分。

8.一种基于影像组学的乳腺癌骨转移治疗反应评估系统，其特征在于，包括：

获取模块，用于获取乳腺癌骨转移患者的医学影像，根据经过治疗后的疗效记录确定所述医学影像对应的影像组学标签；

性能评分模块，用于从所述医学影像中选取溶骨性病变区域，并提取出影像组学特征以构建训练组和测试组，将训练组中影像组学特征分别输入至预先构建的至少两个影像组学模型进行模型参数训练，并通过测试组进行验证，得到各影像组学模型的性能评分，其中，各影像组学模型是基于不同的机器学习算法构建的分类器；

评估模块，用于选用性能评分高于预设阈值的影像组学模型对待评估医学影像进行乳腺癌骨转移治疗反应评估。

9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一项所述的基于影像组学的乳腺癌骨转移治疗反应评估方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的基于影像组学的乳腺癌骨转移治疗反应评估方法的步骤。

Images