CT放射组学特征预测周围型肺腺癌EGFR基因突变研究

发布时间：2020-05-09 12:26

【摘要】：目的:应用周围型肺腺癌患者临床、CT放射组学特征预测表皮生长因子受体(EGFR)的突变状态。方法:本研究回顾性分析2016-2018年于吉林大学白求恩第一医院进行手术治疗,术后病理证实为原发性周围型肺腺癌,并对大体病理标本进行EGFR突变检测的104例患者。用放射组学方法评估其术前胸部CT,提取了能够反映肿瘤异质性和表型的特征,再用最小绝对收缩和选择算法(LASSO)降维得到更有辨别价值的组学特征,分别应用放射组学特征、放射组学联合临床特征建立两种LR模型预测EGFR突变状态,应用五折交叉认证、ROC曲线及曲线线下面积(AUC)评估两种模型效能,从而得到预测EGFR突变的最优模型。结果:共提取1025个三维组学特征,通过降维得到13个放射组学特征最具有预测价值,并建立放射组学标签。放射组学联合临床特征模型由放射组学标签、患者性别、吸烟史、是否有脉管浸润和组织病理学亚型组成,其训练组AUC为0.88±0.03(均值±标准差),验证组AUC为0.88±0.12,测试组AUC为0.913,优于单纯使用放射组学的预测模型(训练组AUC=0.92±0.01,验证组AUC=0.84±0.04,测试组AUC=0.837)。结论:由放射组学标签、患者性别、吸烟史、是否有脉管浸润和组织病理学亚型组成的放射组学联合临床特征模型并通过诺模图表示,能有效预存周围型肺腺癌患者EGFR基因突变情况,与单纯放射组学特征模型相比,具有更佳的预测效能。
【图文】：

CT图像,肿瘤,差矩阵,认知特征

7图1 采用手工勾画对周围型肺腺癌进行肿瘤分割的具有代表性的CT图像（a）将ROI边界分割成黄色轮廓（b）分割提取出的ROI3.2.3 特征提取从每个多层 ROI 病灶中总共提取了 1025 个特征，这些特征被分为四组：①临床认知特征（CCF），②图像强度特征（IIF），③纹理特征（TF），④小波特征（WF）。第一组的主要目的是描述肿瘤的三维特征形态，如体积、质量、有效直径、表面积、球度等。第二组描述肿瘤区域的灰度共生矩阵、灰度游程矩阵、附近灰色调差矩阵等等。第三组显示肿瘤内部结构的同质性或异质性。最后一组通过对 CT 原始图像进行分解，将纹理和强度有效地转化为高低频率，本研究对每幅 CT 图像进行三维小波变换，，将 CT 图像按照 x、y、z 三个滤波方向进行分解。特征提取算法在 Python3.6.1 平台进行处理。3.2.4 特征选择大量的放射学特征对肿瘤的定量研究具有重要意义。然而

曲线,参数,特征系数,惩罚项

通过 LASSO 回归模型（图 2），原始的 1025 维放射组学特征被筛选出 13个系数非零的放射组学特征（表 2）。图2 (a)LASSO模型的调优参数(b)LASSO模型十折交叉验证方法筛选特征的特征系数收敛图注：图(a)中，α值为惩罚项系数，纵坐标为均方误差，选择采用十折交叉验证最小准则得到最小均方误差值，在最优处绘制垂直虚线，得到对应的-log(α)，α最终取值为0.0371。图(b)中每条曲线代表1025维特征中某一个特征的特征系数随着α值变化的情况，竖虚线表示最佳α取值对应的-log(α)值得到13项特征系数非零的特征。a）b）
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R734.2;R730.44

【相似文献】