肺癌是世界范围内引起恶性肿瘤相关死亡的首要原因。非小细胞肺癌(non-small cell lung cancer,NSCLC)是肺癌最常见的病理类型,约占全部肺癌的85%。大多数非小细胞肺癌患者在初诊时即为局部晚期甚至是晚期转移性疾病,预后极差,其中局部晚期非小细胞肺癌(locally advanced non-small cell lung cancer,LA-NSCLC)的5年生存率为15%-25%,而晚期非小细胞肺癌仅为5%。在精准医疗的背景下,寻找一种能够早期预测治疗疗效、规避治疗风险的方法,有效地指导个体化治疗,最大程度地改善患者的预后,是目前临床工作中亟待解决的问题。随着大数据时代的到来,肿瘤相关的影像信息、临床信息、基因信息等都与数据息息相关,形成了以数据为中心的信息科学,并在引发一场医疗思维与方法的革命。在众多医疗数据中影像资料最为常见,通常格式规范且易于获取。同时,影像学在非小细胞肺癌的治疗过程中起着关键作用,包括早期诊断、疗效监测和预后评估都与医学影像密不可分。传统的影像学对肿瘤的评估主要依靠定性特征,例如肿瘤密度、增强模式、肿瘤内成分、肿瘤切缘是否规则及与周围组织的解剖关系等。这些定性的表型描述在很大程度上依赖于经验,重复性欠佳,难以满足个体化精准医疗的要求。相比之下,一个迅速发展的领域—影像组学,能够自动化的提取图像特征并将影像数据转换为高维可挖掘特征空间,通过定量的影像学特征捕获肿瘤的表型差异。然而,影像组学的最终工作流程是生成一系列高维图像特征,如何在提取的高维特征中选择有效、可靠的特征,剔除冗余特征并利用所选特征完成分类或预测任务是目前面临的技术挑战。由于参数数量可能高于样本量,因此传统的统计学方法在处理高维影像组学特征时并不理想。而基于机器学习(machine learning,ML)的人工智能(artificial intelligence,AI)方法可以很好的解决这一问题,人工智能在医学领域(包括医学影像领域)的重要性正在迅速提升。在该研究中,我们提出了智能影像组学的方法,即将影像组学与人工智能方法相结合。在深度挖掘图像特征的同时,利用人工智能的方法筛选并构建解决不同医学问题的影像标志物。同时,综合医学影像、基因、病理和临床等多维度数据,高通量地提取并分析肿瘤信息,探索微观的基因或蛋白质模式的改变在宏观影像上的变化,为临床提供辅助决策支持。人工智能中的不同机器学习算法根据结局标签的不同可分为两大类,即针对连续变量的算法以及针对分类变量的算法。投射到医学领域则主要针对两方面的问题:即生存预后问题以及分类诊断问题。在这项研究中,我们通过随机森林算法、支持向量机(support vector machine,SVM)算法、一致性共聚类法、回归算法、基因富集分析法(gene set enrichment analysis,GSEA)和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法等人工智能方法结合影像组学特征评估了非小细胞肺癌临床实践中面临的两项主要挑战:免疫治疗(结局为有截尾的连续变量)及放射性肺炎(结局为有或无的分类变量),探索了在非小细胞肺癌中智能影像组学在针对生存预后问题和分类诊断问题中的应用价值。同时,我们通过动物实验进一步深入研究了放射性肺炎的显像机制,并评估了智能影像组学方法在动物图像中的应用潜力。第一章智能影像组学在预测非小细胞肺癌免疫治疗疗效中的研究第一节智能影像组学在个体化评估晚期非小细胞肺癌患者免疫治疗疗效的研究目的:使用智能影像组学方法开发基于计算机断层扫描(computedtomography,CT)图像的智能影像组学标志物并构建可视化Nomogram,个体化预测晚期非小细胞肺癌患者免疫治疗的疗效。同时,通过人工智能方法进一步探索智能影像组学标志物的分子生物学基础,挖掘免疫治疗抵抗的潜在机制。方法:本研究共纳入了 4个独立的研究队列。首先,从队列一的79例接受免疫治疗的晚期NSCLC患者的基线CT图像中使用影像组学分析提取了定量且可靠的图像特征,使用严格的嵌套式10-fold交叉验证、Cox比例风险回归模型结合LASSO算法等人工智能方法据此构建了智能影像组学标志物以预测晚期NSCLC患者接受免疫治疗后的治疗失败时间(time to treatment failure,TTF)和总生存期(overall survival,OS)。之后在队列二中验证了智能影像组学标志物的效能并使用基因富集分析法和CIBERSORT算法研究了与智能影像组学标志物相关的分子生物学基础。最后,在另外两个独立的接受免疫治疗的队列中探索筛选出来的分子生物学机制是否会影响免疫治疗的疗效。结果:在智能影像组学标志物的构建阶段,嵌套式10-fold交叉验证重复训练100轮,平均一致性指数(concordance index,C-index)为 0.670(t 检验P<0.001)。最终由6个图像特征组成的智能影像组学标志物与TTF(P<0.001)和OS(P=0.002)显著相关,并且能够将接受免疫治疗的晚期NSCLC患者成功的分为低风险组和高风险组,两组患者1年无治疗失败率分别为55.5%和5.2%,而2年生存率则分别为67.5%和16.3%。多因素分析显示,智能影像组学标志物是TTF[风险比(hazard ratio,HR):4.640,95%置信区间(confidence interval,CI):2.553-8.434,P<0.001]和 OS(HR:4.565,95%CI:2.039-10.224,P<0.001)的独立预后因素。而集成了智能影像组学标志物和临床病理学参数的Nomogram进一步提高了预测性能。基因富集分析显示智能影像组学标志物能够反映上皮-间质转化(epithelial-mesenchymal transition,EMT)基因集和血管生成基因集,而在另外2个接受了免疫治疗的独立队列中也证实EMT基因标签和血管生成基因标签与免疫治疗疗效密切相关。结论:1.基于CT图像的智能影像组学标志物能够有效预测接受免疫检查点抑制剂治疗的晚期NSCLC患者的治疗失败时间和总生存期。2.将智能影像组学标志物与临床病理学参数拟合成综合Nomogram模型,提高了智能影像组学标志物的临床实用性,可用于指导晚期非小细胞肺癌患者的个体化免疫治疗。3.智能影像组学标志物反映了 EMT和血管生成等分子生物学机制,而EMT和血管生成基因标签与免疫治疗的疗效密切相关。第二节智能影像组学在局部晚期非小细胞肺癌患者中的应用及对免疫治疗疗效的预测作用目的:探索智能影像组学方法在不可手术的LA-NSCLC患者中的预测潜力,挖掘智能影像组学标志物与免疫系统的相关性并在接受免疫治疗的LA-NSCLC患者中进行验证。方法:本研究共纳入了 2个独立的研究队列。首先使用random walker算法对队列一中1 18例局部晚期非小细胞肺癌患者的CT图像进行两轮交互式分割和勾画并提取高维图像特征。然后使用一致性聚类法联合Cox 比例风险回归模型(Cox proportional hazards,CPH)或随机生存森林模型(random survival forest,RSF)筛选稳定且与预后最为相关的图像特征。随后采用Bootstrap交叉验证方法对CPH模型和RSF模型的预测能力进行了评价和比较,最终选择C-index表现更好的模型构建智能影像组学标志物。通过免疫组织化学染色评估智能影像组学标志物与免疫系统的相关性,并在队列二的21例接受免疫治疗的LA-NSCLC患者中验证智能影像组学标志物对免疫治疗的预测效能。结果:通过一致性聚类法可将全部影像组学特征分为四个亚型,在每个亚型中保留一个独立且预后性能最强的图像特征。据此构建的CPH模型的C-index为0.792,在交叉验证后仍可达到0.743,相较于RSF模型更加稳定,最终选择CPH模型构建智能影像组学标志物。Kaplan-Meier生存分析显示该标志物具有良好的预测能力(P<0.0001),并且能够将LA-NSCLC患者成功的分为低风险组和高风险组,两组患者的1年生存率分别为77.5%和46.5%,2年生存率则分别为50.9%和17.7%。免疫组化染色显示智能影像组学标志物与组织中CD8+、CD3+和CD4+肿瘤浸润淋巴细胞显著相关(P<0.001,P=0.008和P=0.013)。在验证集中,智能影像组学标志物对于接受免疫治疗的局部晚期非小细胞肺癌患者同样具有良好的预测效能,曲线下面积(area under curve,AUC)为0.818(95%CI:0.622-1.000),Kaplan-Meier 生存分析 Log-rank P=0.0094。结论:1.该研究成功构建了能够有效预测不可手术的局部晚期非小细胞肺癌患者预后的智能影像组学标志物。2.智能影像组学标志物与患者的免疫状态相关。3.在接受了免疫治疗的局部晚期非小细胞肺癌患者中,智能影像组学标志物能够有效预测免疫治疗的疗效。第二章智能影像组学在预测非小细胞肺癌放射性肺炎中的研究目的:在第一章的研究中证实,智能影像组学方法在非小细胞肺癌中可以有效的预测生存。而在这一章的研究中,则试图开发一种基于患者治疗前CT图像的智能影像组学标志物,用于个体化预测不可手术的LA-NSCLC患者发生放射性肺炎(结局为有或无的分类变量)的风险,进一步评估智能影像组学在预测不良反应中的应用。方法:该研究共纳入2个独立的研究队列。首先在训练集的74例不可手术的LA-NSCLC患者同步放化疗前CT扫描图像中使用影像组学分析提取了高维定量图像特征。然后通过人工智能中的支持向量机算法,筛选在这部分患者中能够预测放射性肺炎的最优影像组学子集并据此构建SVM分类器,在独立的外部验证集中对其进行测试。此外,将基于智能影像组学的SVM分类器和临床病理学特征结合起来开发了综合Nomogram,并在校准度、区分度和临床实用性方面评估了其预测性能。结果:在该研究中,通过影像组学结合支持向量机算法构建了由9个图像特征拟合成的SVM分类器。受试者工作特征曲线(receiver operating characteristic,ROC)分析显示SVM分类器在训练集(AUC:0.738)和外部验证集(AUC:0.676)中可以有效区分放射性肺炎并具备最佳分类性能。多因素Logistic分析显示SVM分类器(HR:3.33,95%CI:1.67-6.63,P=0.001)在不可手术的 LA-NSCLC 中是放射性肺炎的独立预测因子。整合了 SVM分类器和临床病理学参数的综合Nomogram进一步提升了预测性能,在训练集和外部验证集中C-index分别达到了 0.862和0.731,同时该综合Nomogram也显示出良好的辨别能力和校准度。结论:1.基于CT图像的SVM分类器在不可手术的局部晚期非小细胞肺癌患者这一高危人群中能够有效预测放射性肺炎的发生。2.整合了智能影像组学SVM分类器和临床病理学参数的综合Nomogram在训练集和外部验证集中均显示出了良好的分类性能,在临床实践中可以作为指导个体化治疗和管理的潜在工具。第三章放射性肺炎的显像机制研究及智能影像组学方法在动物图像上的应用目的:在第二章中我们探索了智能影像组学在非小细胞肺癌中对于分类问题的应用,并明确了基于CT的智能影像组学方法能够有效的预测放射性肺炎的发生。有研究指出18F-氟脱氧葡萄糖正电子发射断层显像(fluorodeoxyglucose positron emission tomography,FDG-PET)同样可以预测放射肺炎。然而,我们在针对LA-NSCLC患者FDG-PET图像的前期分析显示PET图像参数无法拟合成有效预测放射性肺炎的智能影像组学模型。为了明确FDG-PET在放射性肺炎中的作用价值,在该部分中,我们通过动物实验研究了 FDG-PET在放射性肺炎显像中的分子机制并试图探索智能影像组学方法在动物CT图像中的应用潜力。方法:在预实验中,首先构建了基于精准放疗的Wistar大鼠放射性肺炎模型及基于脂多糖(lipopolysaccharide,LPS)的大鼠细菌感染模型。在正式实验中,40只雄性Wistar大鼠随机分为4组(10只/组):对照组、单纯放疗组、单纯LPS组以及放疗+LPS组。4组大鼠在放射治疗(或假性放疗)后7周进行了小动物Micro-PET扫描。扫描完成后取大鼠的肺组织、血液及肺泡灌洗液,通过免疫组化染色评估有氧糖酵解途径中的两种重要蛋白质丙酮酸激酶M2(pyruvate kinase M2,PKM2)和葡萄糖转运蛋白1(glucose transporterl,GLUT1);通过酶联免疫吸附实验(enzyme-linked immunosorbent assay,ELISA)检测大鼠血液及支气管肺泡灌洗液中白介素-1(interleukin-1,IL-1)、IL-6和转化生长因子-β(transforming growth factor-β,TGF-β)等炎症因子的浓度;通过生化实验检测大鼠血液中有氧糖酵解的终产物乳酸和中间产物丙酮酸的浓度。最后,使用智能影像组学方法分析了发生放射性肺炎大鼠和未发生放射性肺炎大鼠的CT扫描图像。结果:在构建大鼠放射性肺炎模型的实验中,组织病理学和每周CT扫描显示放疗后7周Wistar大鼠出现明显的放射性肺炎。小动物Micro-PET扫描显示LPS组和放疗+LPS组的最大标准化摄取值(maximum standardized uptake value,SUVmax)和平均标准化摄取值(mean standardized uptake value,SUVmean)相对于对照组均显著升高(P均<0.001),而单纯放疗组无明显差异(SUVmax:P=0.156;SUVmean:P=0.304)。放疗和LPS联合使用增加了肺组织有氧糖酵解的关键酶PKM2(P<0.001)和葡萄糖转运蛋白GLUT1(P=0.004)的表达。单纯LPS可增加PKM2的表达(P=0.018),而单纯放疗无法影响PKM2(P=0.270)或GLUT1(P=0.989)。同样,针对乳酸和丙酮酸的分析显示放疗+LPS组中乳酸浓度显著高于对照组(P:=0.002)和单纯放疗组(P=0.021),但与单纯LPS组(P=0.084)无明显差异;而丙酮酸检测显示只有放疗+LPS组(P=0.024)丙酮酸水平升高。基于智能影像组学的无监督聚类法显示无放射性肺炎和有放射性肺炎大鼠影像组学差异显著。T检验结果发现49个图像特征在两组间表现出差异(P<0.05),其中八个图像特征差异尤其显著(P值均<0.001)。结论:1.18F-FDG PET不能准确评估无菌性放射性肺炎。2.联合LPS模拟的放射性肺炎伴细菌感染模型可以通过FDG-PET显像,其背后的机制可能是Warburg效应,单纯放疗不能激活Warburg效应,但可加重细菌性感染激发的Warburg效应对肺部的影响。3.智能影像组学方法在动物CT图像中也显示出良好的应用价值。