主权项：
1.食管鳞状细胞癌患者术后手术切缘阳性预测模型构建方法，其特征在于：包括以下步骤： 步骤1，收集已进行手术的食管鳞状细胞癌患者的历史全周期数据，历史全周期数据的指标包括拍摄的术后组织图片和术后扫描切片； 步骤2，识别术后组织图片和术后扫描切片中是否存在肿瘤残留，并将识别结果分为完整切除、镜下可见残留肿瘤、肉眼可见残留肿瘤三个类别； 所述步骤2具体包括以下步骤： 获取大量的已被标记了残留肿瘤的术后组织图片和术后扫描切片作为训练集，这些训练集来自于各种医学数据库；使用线性核函数对训练集进行加密，得到核训练集： ； 其中，K表示核训练集；xi表示第i个样本数据，xi`表示加密后的第i个样本数据；N为样本数据的总数；xi的二值响应向量为ri；构建目标函数： ； 其中，为目标函数；表示使目标函数最小化；j∈[1,N]，rj为第j个样本数据xj的二值响应向量；、分别为第i、j个解向量；K(i,j)表示核训练集中第i行、第j列的元素；为正则化参数； 对目标函数进行一阶求导： ； 使用核训练集训练ResNet-101网络模型时，结合对称树作为预测器，使损失函数最小化： ； 记，对第t次迭代下的进行泰勒展开： ； ； ； 其中，L(f(xi),yi)为损失函数；f(xi)表示样本数据xi的预测标签；yi表示样本数据xi的真实标签；Fi表示叶值损失函数；表示叶值；表示对的L2正则约束；、表示正则化参数；叶值的最优解为： ； 训练完成后得到手术切缘阳性识别模型，使用手术切缘阳性识别模型对步骤1收集的历史全周期数据中的术后组织图片和术后扫描切片进行识别，识别出其中是否存在肿瘤残留，识别结果分为完整切除、镜下可见残留肿瘤、肉眼可见残留肿瘤三个类别； 步骤3，利用历史全周期数据基于逻辑回归算法构建手术切缘阳性预测模型； 所述步骤3具体包括以下步骤： 将历史全周期数据的指标作为影响肿瘤残留类别的因素，建立因素概率矩阵； 使用TOPSIS法计算因素得分指标，并计算每种肿瘤残留类别下所有因素的平均得分； 基于因素概率矩阵求解特征值和特征向量； 基于特征值和特征向量通过主成分分析法提取主成分； 基于所有因素的平均得分、提取的主成分，通过逻辑回归算法构建回归模型，使用SPSS软件拟合回归关系，得到每种肿瘤残留类别下的手术切缘阳性预测模型； 所述将历史全周期数据的指标作为影响肿瘤残留类别的因素，建立因素概率矩阵的步骤，包括： 将历史全周期数据的指标作为影响肿瘤残留类别的因素，建立因素概率矩阵P： ； 其中，Pk,r表示第k种因素对第r种肿瘤残留类别的影响概率，k=1,2,...,14；r=1,2,3，r=1时表示肿瘤残留类别为完整切除，r=2时表示肿瘤残留类别为镜下可见残留肿瘤，r=3时表示肿瘤残留类别为肉眼可见残留肿瘤； 所述使用TOPSIS法计算因素得分指标，并计算每种肿瘤残留类别下所有因素的平均得分的步骤，包括： ； 其中，表示第r种肿瘤残留类别下所有因素的平均得分，r=1,2,3；Scr表示第r种肿瘤残留类别下第c种因素的得分，c=1,2,...,38，14种因素k包含了38种因素c；若，则记S`cr=0；若，则记S`cr=1，S`cr表示影响程度得分； 所述基于因素概率矩阵求解特征值和特征向量的步骤，包括： 基于因素概率矩阵P求解特征方程式，其中为特征值，B为特征向量；求解得到第k种因素的特征值和第r种肿瘤残留类别的特征向量； 所述基于特征值和特征向量通过主成分分析法提取主成分的步骤，包括： 使用主成分分析法计算主成分概率： ； 计算主成分累积贡献率： ； 提取主成分： ； 其中，Ik表示第k种因素的主成分概率；I表示主成分累积贡献率；Fr表示第r种肿瘤残留类别的主成分； 所述基于所有因素的平均得分、提取的主成分，通过逻辑回归算法构建回归模型的步骤，包括： 基于逻辑回归算法构建回归模型： ； 其中，ln(hassr)表示第r种肿瘤残留类别的回归模型；表示第r种回归模型的截距；表示第r种肿瘤残留类别下，将的Scr相加；表示第r种肿瘤残留类别下，将的Scr相加； 步骤4，在手术前将新的食管鳞状细胞癌患者的全周期数据输入手术切缘阳性预测模型，以分析手术切缘阳性的风险。
