检索历史 清除

摘要肺癌是对人类健康危害极大的恶性疾病，其中非小细胞肺癌约占所有肺癌的八成以上。非小细胞肺癌患者的淋巴结转移情况最佳治疗方案的选择至关重要。由于临床中不能经常进行有创的病理检查，因此需要无创和可重复的方法。影像基因组学的研究揭示了医学影像与基因之间具有相关性，但是目前基于影像和基因信息的无创预测方法中存在数据样本量小、数据维数高和多模态融合效果不佳等缺点。针对以上问题，本研究设计有效的数据增强和特征选择方法，构建多阶段异构信息融合机制，提出一个融合影像数据和基因数据的非小细胞肺癌淋巴结转移的深度学习预测模型。本研究为无创的淋巴结转移预测提供了一种新的方法，为临床医生制定治疗方案提供参考，有利于推动精准医疗的应用。本文的主要研究内容和创新如下：<br>　　（1）三维螺旋变换方法可以从三维CT影像中提取出二维图像，这种方法不仅可以保留原始CT图像的纹理和边缘信息，而且还可以为后续的预测提供更多的图像数据样本，有效地提升深度学习模型的训练效果。利用重要性度量的随机森林方法进行特征选择，剔除基因信息中的冗余数据，有助于提取有效的基因信息。利用Inception-ResNetv2模型和自编码器分别提取图像特征和基因特征。本文采用公共数据集NSCLC-Radiogenomics进行实验。实验结果表明图像和基因的数据处理方法具有实用性，与其他特征提取方法对比证明本研究所用方法的有效性。<br>　　（2）针对CT图像和基因数据融合难以及融合效果不佳的问题。本研究设计了基于注意力机制的多模态信息融合模块来对影像数据和基因数据进行中期融合，使用了基于Tucker分解的双线性融合模块进行后期融合，多阶段融合机制明显改善了多模态融合性能。将该机制应用于本文所用的特征提取方法，在此基础上构建了预测淋巴结转移的深度学习模型。实验结果表明所提出的模型在本研究数据集上具有良好的精确度和准确率，具有出色的预测淋巴结转移的能力。预测结果可以作为临床的参考，帮助医生进行更准确的诊断。