论文部分内容阅读
肺癌是世界上发病率最高的恶性肿瘤之一,其中非小细胞肺癌约占肺癌的85%。酪氨酸激酶抑制剂(TKI)在非小细胞肺癌患者的靶向治疗中获得了较好的治疗效果,然而患者却常出现对TKI的耐药性,导致非常差的疾病预后。针对以上临床实际问题,本文对基于影像组学构建的非小细胞肺癌靶向治疗预后预测模型进行深入研究。本文详细探讨了目前国内外对非小细胞肺癌靶向治疗的预后预测研究,分析了影像组学在辅助诊断模型构建方面的最新研究进展。对结合了人工智能和医学图像诊断的影像组学方法进行讨论,并详细论证了应用影像组学开展非小细胞肺癌靶向治疗预后预测研究的可行性。基于Cox风险比例回归构建了机器学习预后预测模型。首先进行图像处理算法设计,提取定量的非小细胞肺癌患者CT影像组学特征,结合特征相关性分析和LASSO算法进行特征降维,并利用Cox风险比例回归对最优特征集进行拟合,建立了一个机器学习预后预测的生存分析模型。通过KaplanMeier生存曲线分析等评估方法,验证了该机器学习模型可以对ALK阳性的非小细胞肺癌靶向治疗的预后进行准确预测,且模型在验证集上的一致性指数达0.717,获得了更高的预测精度。基于卷积自编码器和Deep Surv生存分析网络构建了深度卷积神经网络预后预测模型。通过无监督的卷积自编码器增强了神经网络模型对小样本医学影像数据的深度学习特征提取能力,最后结合L1正则和Deep Surv网络完成深度神经网络模型的构建。经过模型评估,本文首次验证了深度神经网络模型可以成功对ALK阳性的非小细胞肺癌靶向治疗进行预后预测,且其在小样本CT影像数据验证集上的一致性指数达0.715。最终得出了通过结合无监督特征学习,本文构建的深度神经网络预后预测模型可以基于小样本CT影像数据为医生提供非小细胞肺癌靶向治疗辅助决策的结论。