肺癌是世界上最常见的癌症类型之一,是世界范围内引发癌症死亡最常见的原因之一。其中,非小细胞肺癌（Non-small cell lung cancer,NSCLC）患者在全部肺癌患者中约占85%以上,更为常见。早期NSCLC患者通常无明显症状,同时由于侵袭性较高,缺乏有效的早期筛查手段,70%以上NSCLC患者在确诊时已是晚期。NSCLC患者常见的治疗方案主要包括手术切除、化学疗法、放射治疗、靶向治疗、免疫治疗。虽然临床治疗方案逐渐增多,治疗手段不断优化,但由于肿瘤的异质性、患者自身身体状况、耐药性等因素,NSCLC晚期患者整体治疗效果不佳。因此,如何有效诊断患者的情况并制定合理有效的治疗方案,是晚期肺癌临床诊疗过程中面临的重要问题。基于铂类药物的双药化疗方案是晚期NSCLC患者的一线治疗方法,可以有效提高NSCLC患者的生存率;但化疗的客观缓解率有限,不同患者的治疗效果差异很大,在治愈患者的同时往往带来一些毒副作用,长期使用还会产生抗药性,进而限制化疗的效果。因此,预测NSCLC患者的化疗效果具有重要的临床意义,有效的预测模型可以辅助医生制定临床治疗方案,针对患者自身情况提供更加个性化的治疗方案,显著提高肺癌患者的存活率,延长患者生命。计算机断层扫描（Computedtomography,CT）是临床上肺癌检测、诊断以及复查的重要影像学方法,连续的CT能够反映患者在治疗过程中的肿瘤进展,CT影像数据具有潜在的疗效预测价值。本研究基于晚期NSCLC患者的CT影像预测化疗效果,主要进行了以下四方面的工作:一、根据国际实体瘤评价标准（RECIST）和实际肿瘤体积变化,分别对NSCLC病人治疗过程中肿瘤反应进行评估。分析发现,RECIST标准能够简单有效地评估肿瘤进展,但粗糙的测量方式影响了该标准评价的准确性,实际应用中存在一定偏差。二、基于影像组学方法预测NSCLC患者经过2周期化疗后的肿瘤进展,对患者化疗前的CT影像提取影像组学特征,经特征选择后构建机器学习模型,预测病人化疗后肿瘤进展。实验结果证明,影像组学特征可以有效预测患者肿瘤进展。三、基于迁移学习的卷积神经网络预测NSCLC患者经过2周期化疗后的肿瘤进展。迁移ResNet模型对2周期化疗后的肿瘤进展构建预测模型,实验结果表明深度学习模型能够学习CT图像的深度特征,取得相对于影像组学方法更好的预测效果。四、基于delta-影像组学方法结合时间信息预测NSCLC患者的最终化疗效果。对患者治疗过程中前两次CT影像计算delta-影像组学特征,经特征选择后构建机器学习模型预测患者最终的化疗效果,实验结果表明delta-影像组学特征具有潜在预后预测能力。