一、利用放射组学技术预测放射性肺炎发生的研究目的基于肺癌患者胸部定位CT图像进行筛选与放射性肺炎发生相关的放射组学特征,构建机器学习模型,探讨放射组学在预测放射性肺炎发生中的价值。方法回顾性分析行根治性调强放疗的Ⅲ期非小细胞肺癌患者86例,通过随访影像学资料及临床信息将其进行放射性肺炎分级,并收集其定位CT图像,将全肺作为感兴趣体积,进行放射组学特征的提取,分析与发生放射性肺炎有关的放射组学特征及临床、剂量学特征。利用支持向量机进行模型构建,通过五折验证方式检测模型预测性能。结果提取出放射组学特征1029个,通过方差分析及LASSO方法共得到与发生放射性肺炎有关的放射组学特征5个,单纯利用放射组学特征构建模型的测试集AUC=0.67,利用放射组学特征结合临床、剂量参数构建模型的测试集AUC=0.71。结论在通过利用Ⅲ期非小细胞肺癌患者的定位CT图像进行构建的放射组学模型有预测放射性肺炎发生的潜能,加入临床及剂量参数后可进一步提高预测效能。二、利用深度学习预测放射性肺炎发生的研究目的将局部晚期非小细胞肺癌以及局限期小细胞肺癌患者CT图像进行机器学习,探讨利用深度学习方法建立放射性肺炎预测模型的可行性。方法回顾性以及前瞻性收集局部晚期非小细胞肺癌和局限期小细胞肺癌患者303例(回顾性)、35例(前瞻性),通过随访影像学资料及临床信息将其进行放射性肺炎分级,并收集其定位CT图像并进行肺部选取、图像重采样、图像切割压缩等预处理,使用ResNeXt50网络进行放射性肺炎预测模型的建立,回顾性数据组采用5折交叉验证,500次迭代,然后使用回顾性数据作为训练集,前瞻性数据作为验证集也使用同样方法进行模型预测能力验证,建立ROC曲线,利用曲线下面积AUC来评价预测模型能力。结果回顾性数据建立的预测模型五折交叉验证AUC为0.71、0.79、0.73、0.74、0.74,平均AUC为0.75;利用前瞻性数据作为验证集AUC为0.66、0.65、0.69、0.67、0.65,平均AUC为0.66。结论深度学习方法具有一定预测放射性肺炎的能力,仍需扩大前瞻性数据进一步完善模型。