1.一种基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其特征在于：包括数据采集：采集乳腺癌确诊患者治疗前后基线临床信息及乳腺病灶的免疫组化病理结果，根据手术淋巴结清扫病理结果将患者分为淋巴结阴性组和淋巴结阳性组，上述数据中按比例将患者分成训练组和验证组，训练组用于筛选特征并建立预测模型，验证组用于进行模型验证、评价；影像组学特征提取：对原始乳腺专用PET图像去除干扰结果的噪声和杂质并进行肿瘤分割，采用数据模板对图像进行量化处理，获得影像组学特征数据；数据预处理：将步骤数据采集的患者基线临床信息及乳腺病灶的免疫组化病理结果和步骤影像组学特征提取进行标数据准化处理获得原始数据集；特征筛选：对获得的原始数据集进行统计、分析、绘图，得到初步数据集中淋巴结病理结果与初步筛选出特征之间的关系，评估特征在淋巴结阴性与阳性组间的差异获得最终数据集；建立模型：对最终数据集中的特征采用多种机器学习和深度学习算法建立模型，获得筛选的特征与对应权重系数进行线性组合得到患者的预测模型；验证模型：分别在训练集和验证集中通过检验模型淋巴结转移预测结果与手术病理结果的偏差来评估模型的预测效能；可视化输出：将风险预测模型进行可视化呈现，根据特征评分计算患者的得分情况及淋巴结转移风险，为评估乳腺癌患者ALN状态提供可视化数据。
2.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其特征在于：基线临床信息包括患者年龄、体重、病灶大小、位置、原发灶MAMMI PET图像以及原发灶免疫组化病理结果。
3.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其特征在于：影像组学特征数据包括：基础特征：包括强度特征、形状特征、2D形状特征，灰度共生矩阵(GLCM)特征、灰度行程矩阵(GLRLM)特征、灰度级区域大小矩阵(GLSZM)特征以及相邻灰度矩阵(NGTDM)；高级特征：包括小波变换后再次提取的强度特征、灰度共生矩阵特征、灰度行程矩阵特征进和灰度级区域大小矩阵中任一一种或多种。
4.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其特征在于：影像组学特征采用的数据标准化处理为Z-score法。
5.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其特征在于：影像组学特征提取采用将DICOM格式的PET图像从工作站中导入图像到MIM软件中并进行预处理，去除干扰结果的噪声和杂质，采用MIM软件PET-edge模板进行肿瘤分割，获得肿瘤区域DICOM文件，将上述肿瘤区域DICOM文件导入3D Slicer软件中，采用Pyradiomics模板对图像进行量化处理。
6.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其特征在于：特征筛选中使用R软件进行数据统计、分析、绘图，在训练组中采用适合高维数据运算的最小绝对值收敛和选择算子回归模型(LASSO)方法进行特征的降维、筛选，去除冗余的参数，以减少数据过度拟合的影响；采用10倍交叉验证法计算最小均方误差，根据最小均方误差得到了LASSO模型的最佳惩罚参数，从原始数据集特征中筛选出系数不为零的特征，构成初步数据集，使用单变量特征选择方法中的ANOVA(方差分析)算法，得到初步数据集中淋巴结病理结果与初步筛选出特征之间的关系，评估特征在淋巴结阴性与阳性组间的差异，剔除显著性差异程度值(p值)大于0.05的特征，获得最终数据集。
7.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其特征在于：模型建立中采用对最终数据集中的特征进行Logistic回归算法，通过筛选的特征与对应权重系数进行线性组合得到患者的预测模型，采用预测模型计算乳腺癌患者淋巴结转移风险度评分。
8.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其特征在于：验证模型采用受试者工作特征(ROC)曲线、曲线下面积(AUC)、特异性、敏感性、准确性指标中任一一种或多种组合方式进行评价模型在预测乳腺癌淋巴结转移风险的效能。
9.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法，其特征在于：数据采集的来源公开医学数据集以及各级医院病例数据。
