智能影像组学在预测非小细胞肺癌免疫治疗疗效及放射性肺炎中的研究
发布时间：2021-11-18 15:43
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...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：182 页
【学位级别】：博士
【部分图文】：
图１－１－１总体研究设计的流程图??本研究共纳入了?４个独立的研宄队列，包括三个主要步骤（不同颜色编码代表不同的步??骤）
?山东大学博士学位论文???志物的过拟合。另一方面，在该研宄中为了进一步减少图像特征的冗余，还??比较了特征之间的相关性（图１－１－２）并消除了高度相关的图像特征（Ｐｅａｒｓｏｎ??相关性＞０．９）。??纖緣鑼＿＿編輸＃ｒ??ｓｉｚｅｌ??ｓｉｚｅ２?？？?＃?？?＾?备參??ｓｉｚｅ３?？?？?Ｈ．?〇ｇ??ｓｉｚｅ４?＃＃?＃??ｓｉｚｅ５?＃?參??ｓｉｚｅ６?？？參?？？參？參?壜＃?■－?〇６??ｈｉｓｔｏｇｒａｍｌ?？？?？?＃＃＃？？?？?？鲁??ｈｉｓｔｏｇｒａｍ２?＃?？參?＃?＃?Ｉ??ｈｉｓｔｏｇｒａｍ３?＃?＃??ｈｉｓｔｏｇｒａｍ４?＃?？??ｈｉｓｔｏｇｒａｍ５?＃?參參?．〇２??ｈｉｓｔｏｇｒａｍ６?＃??ｈｉｓｔｏｇｒａｍ７?＃？？春＃?參舞?？??ｈｉｓｔｏｇｒａｍ８?鲁鲁參‘?＃?＃?＃?－?〇??ｈｉｓｔｏｇｒａｍ９?？？？?？?？?＾??ｈｉｓｔｏｇｒａｍｌ?０?＃＃?？參？??ｈｉｓｔｏｇｒａｍｌ?１?参後＊?参奉?？〇?２??ｈｉｓｔｏｇｒａｍｌ?２?＃??ｈｉｓｔｏｇｒａｍｌ３?＃＃?Ｉ?０４??ｈｉｓｔｏｇｒａｍｌ４?＃??ｈｉｓｔｏｇｒａｍｌ５?＃?？?？?？：??ｂｏｕｎｄａｒｙｌ?？?■？０６??ｂｏｕｎｄａｒｙ２?＃＃?＃??ｇ丨ｃｍ１參參＃??ｇｌｃｍ２?？?？?■?８??ｇｌｃｍ３?＃??ｇｌｃｍ４?？?■?ｉ??图１－１－２图像特征之间的相关性，每个圆点的大小表示相关系数??４．构建智能影像组学标志物??在队列一中，该研究通过人工智能方法开发了将相关图像特征以最佳方??式组合起来的智能影
?山东大学博士学位论文???者分为低风险组（智能影像组学标志物＜０．１）和高风险组（智能影像组学??标志物多０．１）。图１－１－４显不两组患者的预后有显者差异，低风险组和尚风??险组患者的１年无治疗失败率分别为５５．５％和５．２％?（ＨＲ：?４．２６６，?９５％?ＣＩ：??２．３５１－７．７４２，尸＜０．００１），２?年生存率则分别为?６７．５％和?１６．３％?（ＨＲ：?３．１９４，??９５％?ＣＩ：?１．４８０－６．８９７，Ｐ＝０．００２）。图１－１－５展示了低风险组和高风险组患者??的图像示例。??１００－１??８０－?Ｈ?Ｍ?｜??Ｏ?６〇－?ｊ??Ｌ?１??２°．?Ｉ??°??Ｉｍａｇｉｎｇ?ｆｅａｔｕｒｅ??图１－１－３嵌套式１０－ｆｏｌｄ交叉验证的１００轮重复结果??在?１００?轮训练过程中，Ｓｕｒｆ＿ａｒｅａ、Ｈｉｓｔ＿ｓｋｅｗｎｅｓｓ、Ｈｉｓｔ＿ｋｕｒｔｏｓｉｓ、Ｈｉｓｔ＿ｅｎｅｒｇｙ、??Ｇｌｃｍ＿ｃｏｒｒｅｌａｔｉｏｎ及Ｇｌｃｍ＿ｅｎｅｒｇｙ这６个图像特征出现次数超过８０％，用于构建智能影??像组学标志物。??３３??
【参考文献】：
期刊论文
[1]Advances in immunotherapy for treatment of lung cancer[J]. Jean G.Bustamante Alvarez,María González-Cao,Niki Karachaliou,Mariacarmela Santarpia,Santiago Viteri,Cristina Teixidó,Rafael Rosell. Cancer Biology & Medicine. 2015(03)
[2]运用抗PD-L1抗体治疗晚期癌症患者的安全性与疗效评价[J]. 姜孝新,Julie R.Brahmer,Scott S.Tykodi,Laura Q.M.Chow. 肿瘤药学. 2012(03)
本文编号：3503168
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：182 页
【学位级别】：博士
【部分图文】：
图１－１－１总体研究设计的流程图??本研究共纳入了?４个独立的研宄队列，包括三个主要步骤（不同颜色编码代表不同的步??骤）
?山东大学博士学位论文???志物的过拟合。另一方面，在该研宄中为了进一步减少图像特征的冗余，还??比较了特征之间的相关性（图１－１－２）并消除了高度相关的图像特征（Ｐｅａｒｓｏｎ??相关性＞０．９）。??纖緣鑼＿＿編輸＃ｒ??ｓｉｚｅｌ??ｓｉｚｅ２?？？?＃?？?＾?备參??ｓｉｚｅ３?？?？?Ｈ．?〇ｇ??ｓｉｚｅ４?＃＃?＃??ｓｉｚｅ５?＃?參??ｓｉｚｅ６?？？參?？？參？參?壜＃?■－?〇６??ｈｉｓｔｏｇｒａｍｌ?？？?？?＃＃＃？？?？?？鲁??ｈｉｓｔｏｇｒａｍ２?＃?？參?＃?＃?Ｉ??ｈｉｓｔｏｇｒａｍ３?＃?＃??ｈｉｓｔｏｇｒａｍ４?＃?？??ｈｉｓｔｏｇｒａｍ５?＃?參參?．〇２??ｈｉｓｔｏｇｒａｍ６?＃??ｈｉｓｔｏｇｒａｍ７?＃？？春＃?參舞?？??ｈｉｓｔｏｇｒａｍ８?鲁鲁參‘?＃?＃?＃?－?〇??ｈｉｓｔｏｇｒａｍ９?？？？?？?？?＾??ｈｉｓｔｏｇｒａｍｌ?０?＃＃?？參？??ｈｉｓｔｏｇｒａｍｌ?１?参後＊?参奉?？〇?２??ｈｉｓｔｏｇｒａｍｌ?２?＃??ｈｉｓｔｏｇｒａｍｌ３?＃＃?Ｉ?０４??ｈｉｓｔｏｇｒａｍｌ４?＃??ｈｉｓｔｏｇｒａｍｌ５?＃?？?？?？：??ｂｏｕｎｄａｒｙｌ?？?■？０６??ｂｏｕｎｄａｒｙ２?＃＃?＃??ｇ丨ｃｍ１參參＃??ｇｌｃｍ２?？?？?■?８??ｇｌｃｍ３?＃??ｇｌｃｍ４?？?■?ｉ??图１－１－２图像特征之间的相关性，每个圆点的大小表示相关系数??４．构建智能影像组学标志物??在队列一中，该研究通过人工智能方法开发了将相关图像特征以最佳方??式组合起来的智能影
?山东大学博士学位论文???者分为低风险组（智能影像组学标志物＜０．１）和高风险组（智能影像组学??标志物多０．１）。图１－１－４显不两组患者的预后有显者差异，低风险组和尚风??险组患者的１年无治疗失败率分别为５５．５％和５．２％?（ＨＲ：?４．２６６，?９５％?ＣＩ：??２．３５１－７．７４２，尸＜０．００１），２?年生存率则分别为?６７．５％和?１６．３％?（ＨＲ：?３．１９４，??９５％?ＣＩ：?１．４８０－６．８９７，Ｐ＝０．００２）。图１－１－５展示了低风险组和高风险组患者??的图像示例。??１００－１??８０－?Ｈ?Ｍ?｜??Ｏ?６〇－?ｊ??Ｌ?１??２°．?Ｉ??°??Ｉｍａｇｉｎｇ?ｆｅａｔｕｒｅ??图１－１－３嵌套式１０－ｆｏｌｄ交叉验证的１００轮重复结果??在?１００?轮训练过程中，Ｓｕｒｆ＿ａｒｅａ、Ｈｉｓｔ＿ｓｋｅｗｎｅｓｓ、Ｈｉｓｔ＿ｋｕｒｔｏｓｉｓ、Ｈｉｓｔ＿ｅｎｅｒｇｙ、??Ｇｌｃｍ＿ｃｏｒｒｅｌａｔｉｏｎ及Ｇｌｃｍ＿ｅｎｅｒｇｙ这６个图像特征出现次数超过８０％，用于构建智能影??像组学标志物。??３３??
【参考文献】：
期刊论文
[1]Advances in immunotherapy for treatment of lung cancer[J]. Jean G.Bustamante Alvarez,María González-Cao,Niki Karachaliou,Mariacarmela Santarpia,Santiago Viteri,Cristina Teixidó,Rafael Rosell. Cancer Biology & Medicine. 2015(03)
[2]运用抗PD-L1抗体治疗晚期癌症患者的安全性与疗效评价[J]. 姜孝新,Julie R.Brahmer,Scott S.Tykodi,Laura Q.M.Chow. 肿瘤药学. 2012(03)
本文编号：3503168
本文链接：https://www.wllwen.com/shoufeilunwen/yxlbs/3503168.html
教材专著
