恶性肿瘤以其高发病率和高致死率,成为威胁人类健康的重要因素。放射治疗作为一种局部治疗手段,在肿瘤临床治疗中的作用日趋重要,其目的在于通过提高肿瘤靶区的辐射剂量并降低周围正常组织的放射性损伤来提高病灶的局部控制率,进一步提高肿瘤患者的生存率并改善患者的整体生存质量。然而,尽管最新的调强放射治疗技术(Intensity Modulated Radiation Therapy,IMRT)有效地提高了肿瘤靶区的照射精度和剂量的均匀性,但由于恶性肿瘤本身的异质性和复杂的微环境,使其治疗十分复杂且疗效难以预测;并且再精确的放疗技术也无法避免X射线对周围正常器官的损伤,在杀灭癌细胞的同时也会引起放疗并发症的出现。针对不同部位肿瘤的病理及结构特点,个体化治疗逐渐被临床认可,大量文献表明,早期预测肿瘤治疗反应及副反应有利于患者的治疗和恢复,进一步指导肿瘤治疗,提高癌症患者的生存率。因此,临床实践中需要一种针对放疗疗效和并发症的预测技术,它能够在患者接受治疗前对疗效和某种并发症发生的风险做出预测,从而优化患者的治疗方案。影像组学(Radiomics)作为一种新兴的影像分析技术,采用非侵入式的方法来获取肿瘤的综合特征信息,能够反映肿瘤时间和空间上的异质性问题,通过对大量影像特征的定量、高通量分析来综合评价肿瘤表型。放疗作为局部晚期肿瘤患者的重要治疗手段,治疗前需要获取大量影像以进行靶区勾画和计划设计,这就为临床将Radiomics结合于肿瘤放疗提供了良好的契机和理论基础。本课题从食管癌和头颈癌患者治疗前的医学影像入手,致力于放疗Radiomics预测模型的研究,采用统计学分析与机器学习建模方法,以实现对食管肿瘤放疗疗效的早期预测(治疗反应相关);以及Radiomics参数与头颈癌照射野内复发的预测分析(复发相关);同时探索基于深度学习(Deep learning-based)的Radiomics方法在放射性肺损伤预测中的价值(治疗副反应相关)。概括全文的研究成果和贡献,主要包括以下几个方面:1.影像组学在食管鳞癌同步放化疗早期疗效预测中的研究a)分析了文献中提出的四大类Radiomics特征提取算法,逐一分析和介绍了基于形态学、基于灰度直方图、基于纹理和基于滤波变换方法的数学表达形式,并比较了不同方法所提取的特征参数的数学、影像学意义及相互关系;b)创新性地探索了基于治疗前增强CT的Radiomics分析在预测食管鳞癌同步放化疗(CRT)疗效中的价值。筛选出可区分治疗敏感者(Responder)和非敏感者(Nonresponder)的特征参数,并且引入了人工神经网络(ANN)和支持向量机(SVM)等机器学习算法构建并验证预测模型,验证了Radiomics模型用于食管癌CRT疗效预测的可行性和有效性;c)在前期工作的基础上,进一步对比了基于治疗前的T2W和SPAIR T2W序列的磁共振结构像的Radiomics分析对食管鳞癌同步放化疗疗效的预测价值。分别基于上述两个序列的Radiomics特征结合ANN和SVM算法构建了并验证了预测模型,在此基础上对比两个序列的特点和预测能力,分析了其作用原理及对临床实践的意义。2.影像组学在头颈癌复发模式中的应用研究a)分析了文献中头颈癌患者放疗后复发的剂量学模式,从剂量学角度探究了出现不同复发模式的原因,明确了野内复发是头颈癌的主要复发模式,分析了野内复发与放疗抵抗之间的关系;b)针对本中心鼻咽癌IMRT后复发的患者,借助剂量叠加工具,分别分析了其复发的剂量学模式,证明了野内复发是鼻咽癌IMRT后的主要复发模式,筛选出因放疗抵抗而出现复发的患者;c)原创性地提出引入Radiomics分析方法,通过高通量地对患者治疗前的SPAIR T2W磁共振影像提取定量特征,在此基础上结合机器学习算法构建肿瘤的放疗抵抗性预测模型。3.影像组学在食管癌放射性肺损伤中的预测价值a)分析和总结了基于肺部CT的影像组学方法在放射性肺损伤(RILI)预测中的相关研究进展,在此基础上进一步拓展创新,重点关注治疗前肺部高剂量区域的CT影像对局部RILI的预测价值;b)原创性地提出采用基于迁移的深层卷积神经网络(CNN)模型,即基于深度学习的Radiomics方法,使其能够自主挖掘与RILI预测相关的影像特征,并将微调后的卷积神经网络模型(AlexNet和GoogleNet)用于预测RILI;c)实验验证了基于自然图像训练的AlexNet和GoogleNet模型经少量医学样本微调(Fine tuning)后对局部RILI的预测能力,并分析其原理及临床意义。