检索历史 清除

摘要乳腺癌是影响全球女性健康最常见的恶性肿瘤之一，给全球女性带来了严重的影响。目前早期筛查依旧是控制乳腺癌发展的最有效手段。最近几年研究表明，乳腺癌的分子表型对病人的预后具有指导性的作用。因此，通过乳腺癌的分子表型初步判断乳腺癌的分子分型进行患者的预后分析具有重要的临床指导意义。本研究通过将MRI（Magnetic Resonance Imaging,MRI）影像组学特征和生物标志物关联，找出关键特征对乳腺癌进行分子分型预测，并使用改进的CGAN（Conditional Generative Adversarial Nets,CGAN）深度学习网络实现乳腺癌的预后分析，以提高对乳腺癌的预测质量。本文的主要研究内容如下：<br>　　（1）本文通过加权基因共表达网络的方法，建立了乳腺癌MRI影像组学特征和乳腺生物标志物的共表达网络，找出与生物标志物关联度高的特征作为乳腺癌分型的关键特征，采用长短时记忆网络（Long Short Term Memory Network,LSTM）做乳腺癌亚型的分类及验证，得到的准确率为84%。本研究旨在对比分析不同亚型乳腺癌的MRI影像表型特征，试图根据乳腺癌的MRI表型特征区分其亚型，为乳腺癌的早期诊断、确定个体化治疗方案以及预测预后提供一定的参考。<br>　　（2）本文利用基于改进的CGAN的深度学习模型，把生成对抗网络中的生成器训练成可以进行预后的预测模型，学习数据生成分布并从中计算预测概率，使之可以根据患者临床数据完成乳腺癌预后工作。本文使用TCGA乳腺癌临床特征进行实验，得到利用CGAN的预后模型精确度为0.950，AUC为0.915。为癌症预后提供了新的方法，丰富了GAN网络的应用场景。<br>　　（3）本文使用TCGA乳腺癌临床特征数据集，首先利用LASSO（Least Absolute Shrinkage And Selection Operator,LASSO）回归筛选出6个对乳腺癌患者预后有意义的独立预测因子，然后再用6个预测因子构建多因素Cox比例风险预后模型，最后与改进的CGNA乳腺癌预后模型比较。研究结果表明，改进的CGAN模型具有更好的乳腺癌预后效果。