Rad-score（全稱?Radiomics score，影像組學評分）是通過數學模型將影像組學提取的多個特征整合為一個綜合性指標，從而簡化臨床分析與決策。

前文已介紹影像組學的病灶分割、特征提取及篩選流程，本節將重點闡述?Rad-score?的計算方法。

一、Rad-score計算公式

Rad-score通過線性加權模型計算，其公式為：Rad-score = β0?+ β1F1?+ β2F2+ … + βnFn

式中：

β?：模型截距（常數項）

β?：第i個特征的回歸系數

F?：第i個特征的數值

計算過程：

a.?將每個特征值（F?）與其對應系數（β?）相乘

b.?對所有乘積結果求和

c.?加上常數項β?

二、應用示例

在前面章節《影像組學4：Python實現特征篩選——t檢驗和LASSO回歸》中，我們通過t檢驗結合LASSO回歸方法，最終篩選出8個最具預測價值的特征（下圖中只展示了部分代碼，完整實現代碼參見《影像組學4：Python實現特征篩選——t檢驗和LASSO回歸》）。

我們還可以如下圖所示再添加一行代碼，輸出模型的常數項：

將上圖中的特征系數及常數項代入Rad-score公式，得到：

Rad-score= 0.4784172661870503

-0.032590*gradient_glcm_DifferenceEntropy

+0.107120* gradient_glszm_GrayLevelNonUniformity

+0.005718* logarithm_gldm_LargeDependenceEmphasis

+0.015960*logarithm_gldm_LargeDependenceHighGrayLevelEmphasis

+0.063160*wavelet-LHL_glrlm_RunVariance?

+0.095719*wavelet-LHH_glrlm_RunLengthNonUniformity?

+0.020206*wavelet-LHH_glszm_GrayLevelNonUniformity

-0.012184*wavelet-HHL_firstorder_Skewness

以前面章節《影像組學4：Python實現特征篩選——t檢驗和LASSO回歸》中使用的表格data1中的第一例患者為例。

將上述表格中第一例患者的特征數值代入上述公式，計算結果如下：

Rad-score= 0.4784172661870503

-0.032590 * 1.4487039547061462

+0.107120 * 71.92071611253196

+0.005718 * 42.028418751518096

+0.015960 * 15884.783823172213

+0.063160 * 6.923302913661368?

+0.095719 * 243.70653654817067?

+0.020206 * 45.1219512195122

-0.012184 * (-0.9308634961123491)= 286.58

注：

Rad-score是針對每個樣本（即每位患者）計算的，每個患者都有一個唯一的Rad-score。由于篇幅限制，這里僅以第一例患者為例進行說明，其他樣本的計算過程類似，不再一一列舉。