检索历史 清除

摘要小细胞肺癌（Smallcelllungcancer，SCLC）是一种常见的高风险的肿瘤疾病，其死亡率高、发病率高，严重危害患者的身体健康，约占肺癌总数的15%-20%。SCLC具有侵袭性较高，快速生长、早期转移、耐药性强等特点。临床诊断中，现有SCLC的定位及分割多依赖于医生通过计算机断层扫描技术（Computedtomography,CT）诊断，需要较高的人工成本。临床治疗发现，多数病人在确诊时已经发生广泛扩散，然而手术只能针对极少数局限期患者进行治疗，导致小细胞肺癌的五年生存率不到5%。如何辅助医生进行SCLC肿瘤精准分割并探究评价SCLC治疗效果的有效标记物，对小细胞肺癌的治疗方案的确定及医生的临床诊断具有至关重要的临床价值和意义。由于SCLC具有异质性高、难治愈、致死率高的特点，导致仍然存在以下问题有待进一步解决：（1）如何使用计算机辅助医生对CT影像中的SCLC肿瘤进行精准快速的分割；（2）如何从SCLC中挖掘更多信息更好的预测SCLC的治疗效果。<br>　　针对以上问题，本文的研究目的是设计深度学习算法对小细胞肺癌进行精准分割并且探索SCLC临床特征、影像组学等特征的多种角度融合是否可以作为SCLC治疗效果分类的潜在有效标记物。本文的贡献及创新点主要分为两个部分：<br>　　（1）针对SCLC肿瘤分割依赖于手工分割的问题，提出UL-Net深度学习网络，用以辅助医生对CT影像中的SCLC肿瘤进行快速精准分割。<br>　　本文将U-Net与长短期记忆单元（Longshort-termmemory,LSTM）相结合，实现小细胞肺癌在肿瘤区域的精准分割。首先对SCLC的CT影像进行预处理，去除冗余信息，强调SCLC的肿瘤特征；然后，基于U-Net对肿瘤轴状位进行二维平面分割，加入LSTM单元约束SCLC肿瘤在冠状位的生长，增加三维空间信息；并采用可调节的损失函数对UL-Net训练进行约束；最后，与不同的U-Net模型进行比较并评估。实验结果证实UL-Net弥补了U-Net只能对二维平面进行分割的缺点，表现出较高的分割精度，UL-Net分割肿瘤的骰子系数（Dice）为0.91±0.04，召回率（Recall）为0.96±0.1，精确度（Precision）为0.87±0.07，表明UL-Net模型可以辅助放射科医生进行SCLC肿瘤的精准分割。<br>　　（2）针对于目前缺乏对SCLC阶段性治疗效果评价的有效标记物的问题，提出一种基于CT影像组学特征的方法，用以探究SCLC阶段性治疗效果评价的有效生物标记物。<br>　　本文通过影像组学提取SCLC肿瘤的高通量影像组学特征来表示SCLC肿瘤在阶段性治疗之前的特点，结合SCLC患者临床信息，并根据UL-Net模型提取的深度模型特征组合预测SCLC患者阶段性治疗的效果。首先，对CT数据进行预处理和感兴趣区域分割；其次，基于pyradiomics的影像组学工具提取SCLC患者肿瘤的影像组学特征；与此同时，使用训练完成的UL-Net模型中间层提取深度影像特征；然后，通过Lasso特征选择选择出有效的影像组学特征，双样本T检验选择出具有显著性差异深度影像特征，U检验选择有显著性差异的临床特征；最后，对筛选的每种视角特征（影像组学特征、临床特征、深度影像特征）分别使用逻辑回归（Logisticregression，LR）、支持向量机（Supportvectormachine，SVM）进行分类预测，采用集成学习的思想应用于三个机器学习模型进行融合分类验证。实验证明临床特征、深度影像特征、影像组学特征的AUC值分别为0.67,0.77,0.86，而多角度特征组合之后AUC值为0.91，表明影像组学特征可以作为SCLC阶段性治疗效果评价的有效生物标记物，多角度特征决策能够增强SCLC阶段性治疗的分类效果。<br>　　综上所述，本文提出的UL-Net模型可以有效划分CT影像中SCLC肿瘤区域，辅助医生进行SCLC的肿瘤的精准分割；同时，本文提出的SCLC肿瘤的影像组学特征与多角度的特征结合可以作为SCLC阶段性治疗效果评价的有效标记物。这些工作，将为SCLC的辅助临床诊断研究奠定基础。