1.一种基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，包括如下步骤：
s1：基于样本数据的复发概率计算:通过收集软组织肉瘤患者的信息并进行换算，以获知单个患者的复发概率，包括如下小步：
s11：收集软组织肉瘤病人的样本{d1,d2,d3,...,dn}，建议样本数量n≥100；
s12：针对每个样本计算其复发概率，包括如下具体小步：
s121：针对样本i，划分包含样本i的全部子样本
s122：针对子样本
式中：n3-r、n5-r分别为子样本
s123：计算样本i的复发概率，即：
s124：则获知全部样本的{d1,d2,d3,...,dn}的三年期复发概率
s125：利用复发时间t，分别对三年期复发概率和五年期复发概率进行换算，即：
式中：复发时间t代表术后第几个月复发，t取值范围[1,60]；
s2：面向软组织肉瘤复发的特征筛选：针对样本数据集，筛选其中的常规特征和图像特征；
s3：基于特征的样本数据处理：根据步骤s1和步骤s2，获得采集样本{d1,d2,d3,...,dn}中所有样本对应的常规特征、影像特征、3年期复发概率和5年期复发概率，对其常规特征及影像特征进行处理，包括如下小步：
s31：常规特征处理；
s32：影像特征处理：针对样本{d1,d2,d3,...,dn}的所有影像特征
s32：数据集划分：分为测试集与训练集划分，其中：训练集用于机器学习算法的训练，而测试集用于检验机器学习算法的优劣，将数据集按照3年期复发概率或5年期复发概率从大到小排序，按照序号选取一定规律的样本作为测试集，剩余数据作为训练集；
s4：基于机器学习模型的复发概率预测：根据步骤s1、步骤s1和步骤s2，获得全部样本的完整数据集，采用bp神经网络和随机森林实现样本特征与复发概率的映射，包括如下小步：
s41：模型训练：包括bp神经网络和随机森林，其中：
s411：bp神经网络；
s412：随机森林；
s42：模型评价及确定：将对应三年期复发概率
则对三年期和五年期预测值和真实值之间的差异v3和v5进行计算，即：
参数v3,v5值越大，代表预测值与真值的差距越大，即对应的模型的误差越大，效果越不好；
针对全部模型的参数vann、vrf，选择其中的最小值min{vann,vrf}对应的模型即为软组织肉瘤复发概率预测模型。
2.根据权利要求1所述的基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，所述步骤s11中，收集软组织肉瘤病人的样本信息包含：病人个人信息、病理学特征、影像特征、术后3年是否复发、术后5年是否复发。
3.根据权利要求1所述的基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，所述步骤s2中，软组织肉瘤复发的特征包括：
s21：常规特征包括性别、年龄和术后时间；
s22：图像特征，利用核磁共振设备获得的mri影像提取图像特征。
4.根据权利要求3所述的基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，所述步骤s22中，核磁共振设备获得的mri影像按照成像方式不同，分为t1加权成像和t2加权成像。
5.根据权利要求3所述的基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，所述步骤s22中，t1加权成像，包括如下情况：
情况一：小波-低低低频子带成像模式下：
(a)灰度级区域矩阵的大面积高灰度水平因子特征；
(b)灰度级区域矩阵的小面积高灰度水平因子特征；
情况二：小波-低低高频子带成像模式下：
(a)相邻灰度差矩阵的粗糙度特征；
(b)一阶统计量的总能量特征；
情况三：小波-高低低频子带成像模式下：
(a)灰度级相关矩阵的小依赖低灰度水平因子特征；
情况四：小波-高低高频子带成像模式下：
(b)灰度级区域矩阵的大面积高灰度水平因子特征；
(c)灰度级区域矩阵的小面积高灰度水平因子特征；
情况五：5mm拉普拉斯算子三维成像模式下：
(a)灰度差异矩阵的依赖不均匀规范化特征；
(b)灰度共生矩阵的马修斯相关系数特征；
(c)一阶统计量的峰态特征；
情况六：15mm拉普拉斯算子三维成像模式下：
(a)灰度差异矩阵的依赖不均匀规范化特征；
(b)一阶统计量的峰态特征；
情况七：原始成像模式下：
(a)灰度共生矩阵的逆方差特征；
(b)灰度差异矩阵的大依赖高灰度水平因子特征；
(c)灰度区域矩阵的大面积高灰度水平因子特征。
6.根据权利要求3所述的基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，所述步骤s22中，t2加权成像，包括如下情况：
情况一：原始成像模式下：
(a)形状的延伸率特征；
(b)灰度共生矩阵的逆方差特征；
(c)灰度差异矩阵的大依赖高灰度水平因子特征；
情况二：小波-高高高频子带成像模式下：
(a)相邻灰度差矩阵的对比度特征；
(b)灰度级区域矩阵的灰度级非均匀归一化特征；
(c)灰度游程矩阵的长游程高灰度因子特征；
(d)一阶统计量的均值特征
情况三：15mm拉普拉斯算子三维成像模式下：
(a)一阶统计量的90分位值特征；
(b)一阶统计量的峰态特征；
情况四：5mm拉普拉斯算子三维成像模式下：
(a)灰度差异矩阵的依赖不均匀规范化特征；
(b)灰度共生矩阵的马修斯相关系数特征；
情况五：小波-高低高频子带成像模式下：
(a)灰度共生矩阵的逆方差特征；
(b)灰度共生矩阵的聚类阴影特征；
情况六：小波-低低低频子带成像模式下：
(a)灰度共生矩阵的逆方差特征；
(b)灰度级区域矩阵的小面积高灰度水平因子特征。
7.根据权利要求1所述的基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，所述步骤s31中，常规特征处理，包括如下内容：
a)性别：男取1女取0；
b)年龄：0～10岁取0.1,10～20岁取0.2，20～30岁取0.3,30～40岁取0.4，40～50岁取0.5,50～60岁取0.6，60～70岁取0.7,70～80岁取0.8，80～90岁取0.9,90岁以上取1；
c)术后时间：实际月数m除以60。
8.根据权利要求7所述的基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，所述步骤s32中，数据集划分按照序号选取等差数列，即第3、6、9、12、15、18、21、24、27、30…的样本作为测试集，剩余数据作为训练集。
9.根据权利要求1所述的基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，所述步骤s411中，bp神经网络包括如下内容：
a)选用5层网络结构：即输入层、隐藏层1、隐藏层2、隐藏层3和输出层lin,ly1,ly2,ly3,lout；
b)5层神经元个数：分别为：sin,sy1,sy2,sy3,sout，其中：sy1的取值范围[16,30]，sy2取值范围[8,12]，sy3取值范围[3,5]；
c)网络初始权重：取随机值；
d)激活函数：激活函数采用sigmoid函数，计算公式为
e)误差函数：采用和方差sse；
f)学习速率：取值范围[0.1,0.5]。
10.根据权利要求1所述的基于机器学习的软组织肉瘤复发概率预测方法，其特征在于，所述步骤s412中，随机森林中涉及的关键参数设置如下：
每次迭代的变量抽样数值，设为10；
随机森林包含的决策树数目，设为3000。