论文部分内容阅读
目的:胃癌浆膜浸润会增大病人发生腹膜播散的风险,导致病人预后不良。当前研究指南推荐浆膜浸润的病人术前接受新辅助化疗,因此术前浆膜浸润的评估结果将决定不同的治疗方式。然而,传统的影像学检查方法如计算机断层扫描(Computed Tomography,CT)和超声内镜(Endoscopic Ultrasonography,EUS)对T分期和浆膜浸润术前判别的准确率并不满足临床需求。其次,针对腹膜转移这一预后较差人群,传统的术前检测腹膜转移的影像学方式如CT检测敏感度较低,无法发现隐匿性腹膜转移。而在发生浆膜浸润的病人中,隐匿性腹膜转移的发生概率高于未发生浆膜浸润的病人的4倍以上。之前的研究表明通过术前CT构建影像组学模型预测腹腔镜探查发现的隐匿性腹膜转移,能够达到很高的准确率,然而目前还缺乏研究对腹腔冲洗液/腹水细胞学检查阳性的病人予以术前或术中准确预测。如果能在术前或术中发现这类病人,并采用恰当的治疗方式(腹腔化疗、腹腔灌洗等)有望提高这类病人的生存率并降低腹膜转移发生率。此外,术中观察浆膜的大体形态可作为腹膜转移的预测因子,然而这种方式需借助于医生肉眼,判断较主观,容易受其他客观因素影响。因此,融合术前CT与术中浆膜照片的预测模型或将提高腹腔冲洗液/腹水细胞学检查阳性的预测精度。在实际临床治疗工作中,浆膜浸润的病人相对于其他病人很可能更值得接受新辅助治疗。准确判别浆膜浸润的模型为我们精准选择新辅助化疗治疗对象奠定了基础,但是并非所有浆膜浸润的病人对新辅助化疗均有明显获益,临床仍然需要进一步寻找预测新辅助化疗疗效的方法。深度学习已在计算机视觉领域中取得了重大突破,并在医学图像处理中获得了广泛应用。新兴的深度学习方法,视觉转换器(Vision Transformer,Vi T)将传统的在自然语言处理(Natural Language Processing,NLP)领域的Transformer扩展到图像分类问题,并在一些领域取得了优于卷积神经网络(Convolutional Neural Networks,CNN)的性能。但是,Vi T在医学图像中的判断能力仍需探索。迁移学习通过从已经学习的相关任务中迁移知识来改进新任务的学习,已成为深度学习中流行的一种优化算法。此外,采用生成对抗网络(Generative Adversarial Network,GAN)对训练集数据进行数据增强可以解决训练集病例数不足的问题。研究方法:本研究首先利用深度学习进行胃癌浆膜浸润术前判别。研究纳入了中国医科大学附属第一医院的2275例病人(训练集2039人,内部测试集236人)和辽宁省肿瘤医院的696例病人,基于研究者和放射科医师手工标注的CT病灶的感兴趣区域(Region Of Interest,ROI),比较了Dense Net-169,Inception-v3,InceptionResnet-v2,Res Net-50和ViT-B/32模型对浆膜浸润的判别效果。随后基于中国医科大学附属第一医院纳入的1928例病人(训练集1720人,内部测试集208人)和辽宁省肿瘤医院纳入的560例病人的CT图像及浆膜浸润与非浸润病人间具有显著差异的术前血液指标,构建了Dense Net-169+C,Inception-v3+C,Inception-Resnet-v2+C,Res Net-50+C和Vi T-B/32+C。将表现最好的CNN模型(Inception-v3+C)和Vi T模型(Vi T-B/32+C)结合,构建了Ensemble Model+C。通过术前CT图像和血液检查指标联合判别浆膜浸润,并在内部和外部测试集中评估了模型的性能。此外,开展可复现性验证实验,另一位肿瘤学学生独立对外部测试集CT图像上的肿瘤区域进行标注,将标注后的ROI输入模型,探索模型效果是否受观察者间偏倚的影响。随后进行生存分析判断模型的预后评估性能。其次,应用迁移学习,将浆膜浸润判别模型迁移至腹腔冲洗液/腹水细胞学检查结果预测中。本研究基于中国医科大学附属第一医院纳入的620例病人(训练集496人,测试集124人)的CT图像和术前血液学检查指标,将第一部分表现最好Ensemble Model+C迁移学习至腹腔冲洗液/腹水细胞学检查结果预测中。为进一步提高准确率,本研究收集了病人的术中胃部浆膜照片,比较了Dense Net-169,Inception-v3,Inception Resnet-v2,Res Net-50和Vi T-B/32对浆膜浸润的判断效果,将模型迁移学习至腹腔冲洗液/腹水细胞学检查结果预测中,并选取了效果最好的模型与术前Ensemble Model+C的判断结果结合,旨在于术中预测腹腔冲洗液/腹水细胞学检查结果。最后,基于原发灶与淋巴结转移灶预测胃癌新辅助化疗疗效。研究纳入了辽宁省肿瘤医院的188例病人和中国医科大学附属第一医院的94例病人的新辅助化疗前CT图像,基于原发灶与淋巴结转移灶的CT图像,采用深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)按照1:3比例进行数据增强,基于DCGAN生成的图像采用五种深度学习算法Dense Net-169,Inceptionv3,Inception Resnet-v2,Res Net-50和Vi T-B/32,分别构建新辅助化疗疗效预测模型,并分别将模型迁移学习至原发灶和淋巴结转移灶的真实CT图像中。将原发灶和淋巴结转移灶模型的判断结果结合,计算模型的准确率和AUC值。在Ensemble Model+C的帮助下,判断出浆膜浸润亚组,并评估了模型对浆膜浸润病人化疗疗效的预测作用。采用Cox回归分析了化疗疗效预测模型的预后评估性能。结果:1.胃癌浆膜浸润术前判别本部分首先基于CT图像构建深度学习模型判别浆膜浸润,内部测试集中Dense Net-169达到了89.4%的最高准确率,外部测试集中Inception-v3达到了87.5%的最高准确率。将CT与浆膜浸润相关血液检查指标结合,由Inception-v3+C与Vi TB/32+C联合构建的Ensemble Model+C在测试集中表现最好,内部测试集准确率为91.8%,受试者工作曲线(Receiver Operating Characteristic Curve,ROC)下面积(Area Under Curve,AUC)为0.974(95%CI:0.955-0.992),在外部测试集中准确率为90.9%,AUC为0.950(95%CI:0.931-0.969)。可复现性验证实验表明,Ensemble Model+C的准确率为87.5%。Kaplan-Meier曲线log-rank检验提示Ensemble Model+C判别结果可以预测术后生存(P<0.001)。训练集一致性指数(Concordance Index,C-index)为0.713(95%CI:0.686-0.739),外部测试集的C-index为0.754(95%CI:0.709-0.798)。2.胃癌腹腔冲洗液/腹水细胞学检查结果预测将浆膜浸润判别模型Ensemble Model+C迁移学习至腹腔冲洗液/腹水细胞学检查结果预测任务,在测试集,同时具有术前CT、血液指标及术中浆膜照片的108例病人中,准确率达到了89.8%,AUC为0.952(95%CI:0.907-0.997)。术中胃部浆膜照片可以判别浆膜浸润,并通过迁移学习的方式预测腹腔冲洗液/腹水细胞学检查结果,Dense Net-169的准确率最高(83.3%)。当将二者的判断结合后,预测准确率提高至91.7%,AUC提高至0.965(95%CI:0.934-0.995)。3.胃癌新辅助化疗疗效预测基于胃癌CT原发灶图像预测新辅助化疗疗效,Res Net-50在测试集中达到了81.9%的最高准确率,将原发灶模型与淋巴结转移灶模型的判断结合时,各个模型的AUC值与只考虑原发灶时相比均有提高,其中Inception-Res Net-v2取得了最高的AUC值,为0.918(95%CI:0.859-0.978)。在浆膜浸润病人的亚组中,只考虑原发灶时,Res Net-50达到了81.2%的最高准确率,将原发灶和淋巴结转移灶模型的判断结合后,Inception-Res Net-v2的AUC为0.902(95%CI:0.832-0.972)。结论:1.Ensemble Model+C基于CT图像和血液检查指标在术前判别胃癌浆膜浸润方面具有良好的性能,模型同时能实现生存预后评估。2.Ensemble Model+C可采用迁移学习的方式,与术中浆膜照片深度学习模型结合,在术前或术中预测腹腔冲洗液/腹水细胞学检查结果。3.可基于胃癌原发灶与淋巴结转移灶分别构建深度学习模型,结合二者的判断结果可实现胃癌新辅助化疗疗效预测。