论文部分内容阅读
目的：
本研究应用卷积、循环神经网络和XG Boost算法，建立治疗前晚期EGFR突变阳性非小细胞肺癌患者一线单药EGFR-TKI（Epidermal growth factor receptor-tyrosine kinase inhibitor，表皮生长因子受体酪氨酸激酶受体抑制剂）治疗PFS（Progress Free Survival，无进展生存期）区间的疗效预测模型。该模型为涵盖患者基线、检验和影像等疾病特征的多模态半定量预测模型，在降低模型的过拟合的同时，较为准确地预测不同患者的PFS区间以及肿瘤进展模式。建立并完善模型后，将此技术应用于临床，在EGFR突变阳性的晚期非小细胞肺癌患者就诊时，根据患者治疗前基线、检验和影像数据来预测靶向PFS及进展模式，并根据预测结果制定最佳治疗方案，采取有效措施延缓肿瘤进展，尽可能延长患者的PFS及OS（Overall survival，总生存期），提高患者的生存质量。随着数据库中患者数据的不断增多，人工智能神经网络预测模型将不断完善，预测准确度将不断提高。
方法：
回顾性收集存在EGFR基因突变阳性且一线接受EGFR-TKI单药治疗的晚期非小细胞肺癌患者的病例，收集其治疗前的基线、检验和影像数据，并通过ROC、KM曲线筛选预后特异性指标；利用影像标注软件勾画CT影像的肿瘤轮廓，得到不同层面的肿瘤轮廓坐标，并根据靶向治疗前最近一次及治疗后第一次影像评估的肿瘤最大径计来算出肿瘤缩小速率(Tumor Shrinkage Rate，TSR)；利用XG Boost算法、卷积和循环神经网络建立人工智能预后预测模型，将入组患者的特征数据及结构化的图像数据导入模型中训练，用动态数据验证模型的预测准确性并不断优化模型。
结果：
本研究成功的建立了基于人工智能的肺癌预后半定量预测模型，虽然四区间PFS预测模型在独立测试集上准确率38.46%，为了提高模型预测准确性及本研究的实际应用价值，将待预测的PFS区间调整为两个，为半年内和半年以上，二区间PFS预测模型在独立测试集上准确率82.42%。这种区间预测同样具有较大的临床应用价值。半年内进展即爆发进展，单药TKI往往疗效不佳，建议患者行TKI联合其他治疗；半年以上即单药TKI获益，疗效较好，患者可以选择单药TKI或TKI联合其他治疗。本研究的特征重要性评估显示，对模型贡献程度较大的变量为临床上常用的血清肿瘤标志物(角质蛋白21-1、癌胚抗原/CA19-9/CA125)及白细胞、血小板，其次为NLR、MLR、D-二聚体、C反应蛋白、中性粒细胞数、LDH，其同样具有良好的预后价值，这些指标均与PFS呈正相关，提示炎症细胞、炎症因子、血清凝血组成的肿瘤微环境参与了肿瘤的形成与发展。患者基本信息中，确诊年龄越小患者预后越好；合并高血压的肿瘤患者往往预后较差；发病时入院状态中咳嗽、胸闷、胸痛、呼吸困难对患者的PFS有影响；患者选用何种一线靶向药物与患者PFS预后无明显相关性；患者病理学类型（腺癌、鳞癌等）对PFS预后预测贡献不大；患者肿瘤远处转移状态中，最常见的为脑转移、骨转移、胸膜转移，但与PFS关联性较大的为肾上腺转移、胸膜转移、骨转移。TSR与患者预后密切相关，TSR越高的患者PFS越长，低TSR组与高TSR组比较，差异有显著性意义。人工智能是一门复杂的综合性交叉学科，目前仍处在初期开发阶段，本试验浅尝辄止，仍存在许多问题，为不断提高准确性和实际应用价值，需要不断学习，不断进行修改、调整优化，以提高模型的预测准确性以及可推广性，最后努力真正将此项目应用于临床。
结论：
1.167例患者纳入最终分析，四区间PFS预测模型在独立测试集上准确率38.46%；二区间PFS预测模型在独立测试集上准确率82.42%。
2.对模型贡献程较大的变量有血清肿瘤标志物(角质蛋白21-1、癌胚抗原/CA19-9/CA125)及白细胞、血小板，其次为NLR、MLR、D-二聚体、C反应蛋白、中性粒细胞数、LDH。
3.TSR、年龄、高血压、发病时入院状态、部分远转状态对PFS有影响；选用何种靶向药物、病理类型与PFS无明显相关性。
4.人工智能是一门复杂的学科，目前仍处在初期开发阶段，本试验浅尝辄止，仍存在许多问题，还需要不断改进和优化。
本研究应用卷积、循环神经网络和XG Boost算法，建立治疗前晚期EGFR突变阳性非小细胞肺癌患者一线单药EGFR-TKI（Epidermal growth factor receptor-tyrosine kinase inhibitor，表皮生长因子受体酪氨酸激酶受体抑制剂）治疗PFS（Progress Free Survival，无进展生存期）区间的疗效预测模型。该模型为涵盖患者基线、检验和影像等疾病特征的多模态半定量预测模型，在降低模型的过拟合的同时，较为准确地预测不同患者的PFS区间以及肿瘤进展模式。建立并完善模型后，将此技术应用于临床，在EGFR突变阳性的晚期非小细胞肺癌患者就诊时，根据患者治疗前基线、检验和影像数据来预测靶向PFS及进展模式，并根据预测结果制定最佳治疗方案，采取有效措施延缓肿瘤进展，尽可能延长患者的PFS及OS（Overall survival，总生存期），提高患者的生存质量。随着数据库中患者数据的不断增多，人工智能神经网络预测模型将不断完善，预测准确度将不断提高。
方法：
回顾性收集存在EGFR基因突变阳性且一线接受EGFR-TKI单药治疗的晚期非小细胞肺癌患者的病例，收集其治疗前的基线、检验和影像数据，并通过ROC、KM曲线筛选预后特异性指标；利用影像标注软件勾画CT影像的肿瘤轮廓，得到不同层面的肿瘤轮廓坐标，并根据靶向治疗前最近一次及治疗后第一次影像评估的肿瘤最大径计来算出肿瘤缩小速率(Tumor Shrinkage Rate，TSR)；利用XG Boost算法、卷积和循环神经网络建立人工智能预后预测模型，将入组患者的特征数据及结构化的图像数据导入模型中训练，用动态数据验证模型的预测准确性并不断优化模型。
结果：
本研究成功的建立了基于人工智能的肺癌预后半定量预测模型，虽然四区间PFS预测模型在独立测试集上准确率38.46%，为了提高模型预测准确性及本研究的实际应用价值，将待预测的PFS区间调整为两个，为半年内和半年以上，二区间PFS预测模型在独立测试集上准确率82.42%。这种区间预测同样具有较大的临床应用价值。半年内进展即爆发进展，单药TKI往往疗效不佳，建议患者行TKI联合其他治疗；半年以上即单药TKI获益，疗效较好，患者可以选择单药TKI或TKI联合其他治疗。本研究的特征重要性评估显示，对模型贡献程度较大的变量为临床上常用的血清肿瘤标志物(角质蛋白21-1、癌胚抗原/CA19-9/CA125)及白细胞、血小板，其次为NLR、MLR、D-二聚体、C反应蛋白、中性粒细胞数、LDH，其同样具有良好的预后价值，这些指标均与PFS呈正相关，提示炎症细胞、炎症因子、血清凝血组成的肿瘤微环境参与了肿瘤的形成与发展。患者基本信息中，确诊年龄越小患者预后越好；合并高血压的肿瘤患者往往预后较差；发病时入院状态中咳嗽、胸闷、胸痛、呼吸困难对患者的PFS有影响；患者选用何种一线靶向药物与患者PFS预后无明显相关性；患者病理学类型（腺癌、鳞癌等）对PFS预后预测贡献不大；患者肿瘤远处转移状态中，最常见的为脑转移、骨转移、胸膜转移，但与PFS关联性较大的为肾上腺转移、胸膜转移、骨转移。TSR与患者预后密切相关，TSR越高的患者PFS越长，低TSR组与高TSR组比较，差异有显著性意义。人工智能是一门复杂的综合性交叉学科，目前仍处在初期开发阶段，本试验浅尝辄止，仍存在许多问题，为不断提高准确性和实际应用价值，需要不断学习，不断进行修改、调整优化，以提高模型的预测准确性以及可推广性，最后努力真正将此项目应用于临床。
结论：
1.167例患者纳入最终分析，四区间PFS预测模型在独立测试集上准确率38.46%；二区间PFS预测模型在独立测试集上准确率82.42%。
2.对模型贡献程较大的变量有血清肿瘤标志物(角质蛋白21-1、癌胚抗原/CA19-9/CA125)及白细胞、血小板，其次为NLR、MLR、D-二聚体、C反应蛋白、中性粒细胞数、LDH。
3.TSR、年龄、高血压、发病时入院状态、部分远转状态对PFS有影响；选用何种靶向药物、病理类型与PFS无明显相关性。
4.人工智能是一门复杂的学科，目前仍处在初期开发阶段，本试验浅尝辄止，仍存在许多问题，还需要不断改进和优化。