论文部分内容阅读
在一线治疗的非小细胞肺癌(Non-Small Cell Lung Cancer,NSCLC)患者中,检测表皮生长因子受体(epidermal growth factor receptor,EGFR)基因突变的状态,已经成为决定患者是否能够应用EGFR酪氨酸激酶抑制剂(EGFR-tyrosine kinase inhibitor,EGFR-TKI)药物治疗的先决条件。然而,在患者意愿、组织样本获取方式(活检、手术切除等)、组织样本质量控制、采集费用、肺癌组织异质性影响检测准确度等方面,EGFR突变检测仍面临一些挑战。作为一种无创的、高分辨的快速成像方式,CT在肺癌检测和诊断过程中同样也发挥重要作用。本研究的主要目的是考察肺癌CT影像特征与EGFR基因突变之间是否存在关联,建立一个基于CT影像特征的EGFR基因突变预测(或分类)模型。本研究收集并分析了 59例肺癌患者的自然信息(性别、年龄等)、CT影像数据和EGFR基因突变结果。首先,基于ImageJ平台提出并实现了一种从CT影像中提取肺癌区域的、三维半自动分割方法,完成了对肺癌区域的提取。其次,根据三维分割结果,提取包括灰度特征、纹理特征、形态特征、放射学影像特征、患者自然信息5个方面的34个特征,研究它们对于EGFR突变组和未突变组的差异。再次,在59例数据中随机选取30组数据作为训练集(其余29组作为预测集),经过归一化、主成分分析(Principal Component Analysis,PCA)降维预处理、遗传算法(Genomic Analysis,GA)参数寻优后,采用支持向量机SVM算法,建立了一个基于CT影像特征的EGFR基因突变预测(或分类)模型。研究结果主要包括:(1)大多数CT影像特征在EGFR基因突变组和未突变组之间没有明显差异,仅惯性(一种纹理特征)和胸膜尾征表现出明显差异((p<0.01);(2)基于灰度均值、质量、灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM)能量、对比度、放射学影像特征等28个特征建立的分类模型对EGFR基因突变具有较高的区分(或预测)能力:敏感性81.25%(13/16),特异性84.62%(11/13),准确率82.76%(24/29),AUC 面积 0.843。结果表明,EGFR基因突变肺癌患者的CT影像表现在纹理和胸膜尾征上有一些不同的特征,即突变肺癌的CT影像纹理更细,更易表现出胸膜尾征。基于肺癌患者CT的影像特征(如灰度均值、质量、GLCM能量、对比度等),建立一个EGFR基因突变的预测(或分类)模型,可能可以识别出EGFR基因突变的肺癌患者,帮助临床医生决策是否采用EGFR-TKI药物治疗。