發(fā)布時(shí)間：2022-01-03 18:49

　　背景非小細(xì)胞肺癌（Non-small Cell Lung Cancer,NSCLC）治療效果不佳,整體預(yù)后較差。其原因在于NSCLC生物學(xué)特性復(fù)雜,生物學(xué)行為難以預(yù)測,治療無法個(gè)體精準(zhǔn)化。目前對于NSCLC生物學(xué)特性的研究主要基于病理組織或外周血進(jìn)行各項(xiàng)檢測,包括常規(guī)病理檢測與基因分子檢測;病理檢測的有創(chuàng)性限制其應(yīng)用的廣泛性,外周血液體活檢無法反映腫瘤病灶內(nèi)部與病灶間異質(zhì)性、無法結(jié)合解剖位置信息、假陰性率過高等固有特點(diǎn),使其在某種程度上無法準(zhǔn)確描述腫瘤的生物學(xué)特性。而基于胸部CT應(yīng)用人工智能（Artifitial Intelligence,AI）卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的方法描述腫瘤的生物學(xué)特性,則可避免以上限制,并具有簡單方便、能夠結(jié)合解剖位置信息描述腫瘤異質(zhì)性等優(yōu)點(diǎn)。本研究以識別肺腺癌EGFR基因突變?yōu)槠鹗?研究CNN識別NSCLC生物學(xué)特性的效能,并探索CNN是否能夠預(yù)測酪氨酸激酶抑制劑類藥物（Tyrosine Kinase Inhibitor,TKI）的無進(jìn)展生存時(shí)間（Progression-free Survival,P... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：101 頁

【學(xué)位級別】：博士

【部分圖文】：

影像組學(xué)基本步驟

上海交通大學(xué)博士論文19學(xué)，故需要計(jì)算能力強(qiáng)大的GPU（GraphicalProcessingUnits）103。近年來，利用CNN診斷皮膚腫瘤，眼底疾病及判斷腦膠質(zhì)瘤甲基化類型，其診斷準(zhǔn)確性已超過專業(yè)醫(yī)生101,104,105。目前在胸部腫瘤中，CNN最常應(yīng)用于肺小結(jié)節(jié)良惡性判斷，其AUC值已在0.85甚至0.9以上106-108（表2），僅在此領(lǐng)域其判斷效能就高于影像組學(xué)（表1）。圖2.CNN基本步驟。Figure2.BasicstepsofCNN.CNN主要由三部分構(gòu)成:卷積層（ConvolutionalLayer），池化層（PoolingLayer），全連接層（FullyConnectedLayer）103。表2.近年使用CNN方法描述腫瘤生物學(xué)特性的研究。Table2.RecentstudiesutilizingCNNtodescribebiologicalcharacteristicsofcancer.第一作者發(fā)表年份雜志主要內(nèi)容AUC&AccuracyKermanyDS1052018Cell識別視網(wǎng)膜疾病及肺炎分類。0.99ZhaoW1092018CancerRes判斷GGO處于浸潤前病變或浸潤后病變。0.788-0.880XiaoY1102018ComputMethodsProgramsBiomed通過胃癌，乳腺癌和肺癌的RNA序列預(yù)測腫瘤發(fā)生。/MasoodA1112018JBiomedInform判別肺結(jié)節(jié)良惡性。0.776KimGB1122018JDigitImaging區(qū)分間質(zhì)性肺改變類型。0.951CapperD1012018Nature判斷膠質(zhì)瘤甲基化分類。/ShenW1132017PatternRecognition判別肺結(jié)節(jié)良惡性。0.93SunW1142017ComputersinBiologyandMedicine判斷肺結(jié)節(jié)良惡性。0.899±0.018TajbakhshN1072017PatternRecognition判別肺結(jié)節(jié)良惡性。0.77SongQ1152017JournalofHealthcareEngineering判別肺結(jié)節(jié)良惡性。0.841HamidianS1162017ProcSPIEIntSocOptEng自動(dòng)識別肺結(jié)節(jié)。/WangS1172017MedImageAnal自動(dòng)識別肺結(jié)節(jié)。/KangG1182017PlosOne判別肺結(jié)節(jié)良惡性。0.964WangHF11920

上海交通大學(xué)博士論文21異較大，分辨較為容易，并不能代表自然圖像建立的CNN模型的效能就是最佳的。因此在后續(xù)的研究中，我們摒棄自然圖像建模，而使用大樣本胸部CT圖像建立基礎(chǔ)CNN模型，在胸部CT圖像范圍內(nèi)進(jìn)行遷移學(xué)習(xí)，以解決其他胸部腫瘤問題。圖3.遷移學(xué)習(xí)（TransferLearning）的基本原理。Figure3.Basicprinciplesoftransferlearning.遷移學(xué)醫(yī)主要是將在源域圖像上訓(xùn)練好的CNN模型，遷移到新的目標(biāo)域的圖像上去，CNN模型的基本結(jié)構(gòu)不發(fā)生改變，僅針對CNN模型卷積層與全連接層的結(jié)構(gòu)進(jìn)行微調(diào)103。1.5影像技術(shù)已有能力識別腫瘤EGFR突變狀態(tài)和預(yù)測TKI藥物療效，并可能提供更多的腫瘤生物學(xué)信息。使用影像組學(xué)與CNN識別EGFR基因突變的研究目前已見諸報(bào)道。最初RizzoS與GevaertO利用傳統(tǒng)影像學(xué)特征（SemanticFeature，例如空氣支氣管征，胸膜牽拉，邊界欠清，磨玻璃樣改變）識別肺腺癌EGFR基因突變狀態(tài)，AUC值達(dá)到0.82-0.8965,93。傳統(tǒng)影像學(xué)特征識別EGFR基因突變狀態(tài)方法簡便易行，但受研究者主觀因素影響較大，結(jié)果很難重復(fù)。影像組學(xué)特征識別EGFR基因突變狀態(tài)的研究日前也逐漸增多39,47,69,70,77,84（表3），AUC值在0.64-0.88之間。影像組學(xué)特征的優(yōu)點(diǎn)在于其是定量數(shù)據(jù)描述影像特征，但也存在干擾因素較大，結(jié)果重復(fù)性穩(wěn)定性不高的不足；另外，目前的研究，很多缺少外部驗(yàn)證與多中心驗(yàn)證。

【參考文獻(xiàn)】：
期刊論文
[1]Management of tyrosine kinase inhibitor resistance in lung cancer with EGFR mutation[J]. Kevin Becker,Yiqing Xu.  World Journal of Clinical Oncology. 2014(04)
[2]1,742例Ⅳ期非小細(xì)胞肺癌的預(yù)后分析[J]. 彭紅,馬美麗,韓寶惠.  中國肺癌雜志. 2011(04)



本文編號：3566788