Rad-score（全称 Radiomics score，影像组学评分）是通过数学模型将影像组学提取的多个特征整合为一个综合性指标，从而简化临床分析与决策。

前文已介绍影像组学的病灶分割、特征提取及筛选流程，本节将重点阐述 Rad-score 的计算方法。

一、Rad-score计算公式

Rad-score通过线性加权模型计算，其公式为：Rad-score = β0 + β1F1 + β2F2+ … + βnFn

式中：

β₀：模型截距（常数项）

βᵢ：第i个特征的回归系数

Fᵢ：第i个特征的数值

计算过程：

a. 将每个特征值（Fᵢ）与其对应系数（βᵢ）相乘

b. 对所有乘积结果求和

c. 加上常数项β₀

二、应用示例

在前面章节《影像组学4：Python实现特征筛选——t检验和LASSO回归》中，我们通过t检验结合LASSO回归方法，最终筛选出8个最具预测价值的特征（下图中只展示了部分代码，完整实现代码参见《影像组学4：Python实现特征筛选——t检验和LASSO回归》）。

我们还可以如下图所示再添加一行代码，输出模型的常数项：

将上图中的特征系数及常数项代入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

以前面章节《影像组学4：Python实现特征筛选——t检验和LASSO回归》中使用的表格data1中的第一例患者为例。

将上述表格中第一例患者的特征数值代入上述公式，计算结果如下：

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是针对每个样本（即每位患者）计算的，每个患者都有一个唯一的Rad-score。由于篇幅限制，这里仅以第一例患者为例进行说明，其他样本的计算过程类似，不再一一列举。