基于胸部CT应用卷积神经网络识别NSCLC生物学特性的研究
发布时间：2022-01-03 18:49
背景非小细胞肺癌（Non-small Cell Lung Cancer,NSCLC）治疗效果不佳,整体预后较差。其原因在于NSCLC生物学特性复杂,生物学行为难以预测,治疗无法个体精准化。目前对于NSCLC生物学特性的研究主要基于病理组织或外周血进行各项检测,包括常规病理检测与基因分子检测;病理检测的有创性限制其应用的广泛性,外周血液体活检无法反映肿瘤病灶内部与病灶间异质性、无法结合解剖位置信息、假阴性率过高等固有特点,使其在某种程度上无法准确描述肿瘤的生物学特性。而基于胸部CT应用人工智能（Artifitial Intelligence,AI）卷积神经网络（Convolutional Neural Network,CNN）的方法描述肿瘤的生物学特性,则可避免以上限制,并具有简单方便、能够结合解剖位置信息描述肿瘤异质性等优点。本研究以识别肺腺癌EGFR基因突变为起始,研究CNN识别NSCLC生物学特性的效能,并探索CNN是否能够预测酪氨酸激酶抑制剂类药物（Tyrosine Kinase Inhibitor,TKI）的无进展生存时间（Progression-free Survival,P...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：101 页
【学位级别】：博士
【部分图文】：
影像组学基本步骤
上海交通大学博士论文19学，故需要计算能力强大的GPU（GraphicalProcessingUnits）103。近年来，利用CNN诊断皮肤肿瘤，眼底疾病及判断脑胶质瘤甲基化类型，其诊断准确性已超过专业医生101,104,105。目前在胸部肿瘤中，CNN最常应用于肺小结节良恶性判断，其AUC值已在0.85甚至0.9以上106-108（表2），仅在此领域其判断效能就高于影像组学（表1）。图2.CNN基本步骤。Figure2.BasicstepsofCNN.CNN主要由三部分构成:卷积层（ConvolutionalLayer），池化层（PoolingLayer），全连接层（FullyConnectedLayer）103。表2.近年使用CNN方法描述肿瘤生物学特性的研究。Table2.RecentstudiesutilizingCNNtodescribebiologicalcharacteristicsofcancer.第一作者发表年份杂志主要内容AUC&AccuracyKermanyDS1052018Cell识别视网膜疾病及肺炎分类。0.99ZhaoW1092018CancerRes判断GGO处于浸润前病变或浸润后病变。0.788-0.880XiaoY1102018ComputMethodsProgramsBiomed通过胃癌，乳腺癌和肺癌的RNA序列预测肿瘤发生。/MasoodA1112018JBiomedInform判别肺结节良恶性。0.776KimGB1122018JDigitImaging区分间质性肺改变类型。0.951CapperD1012018Nature判断胶质瘤甲基化分类。/ShenW1132017PatternRecognition判别肺结节良恶性。0.93SunW1142017ComputersinBiologyandMedicine判断肺结节良恶性。0.899±0.018TajbakhshN1072017PatternRecognition判别肺结节良恶性。0.77SongQ1152017JournalofHealthcareEngineering判别肺结节良恶性。0.841HamidianS1162017ProcSPIEIntSocOptEng自动识别肺结节。/WangS1172017MedImageAnal自动识别肺结节。/KangG1182017PlosOne判别肺结节良恶性。0.964WangHF11920
上海交通大学博士论文21异较大，分辨较为容易，并不能代表自然图像建立的CNN模型的效能就是最佳的。因此在后续的研究中，我们摒弃自然图像建模，而使用大样本胸部CT图像建立基础CNN模型，在胸部CT图像范围内进行迁移学习，以解决其他胸部肿瘤问题。图3.迁移学习（TransferLearning）的基本原理。Figure3.Basicprinciplesoftransferlearning.迁移学医主要是将在源域图像上训练好的CNN模型，迁移到新的目标域的图像上去，CNN模型的基本结构不发生改变，仅针对CNN模型卷积层与全连接层的结构进行微调103。1.5影像技术已有能力识别肿瘤EGFR突变状态和预测TKI药物疗效，并可能提供更多的肿瘤生物学信息。使用影像组学与CNN识别EGFR基因突变的研究目前已见诸报道。最初RizzoS与GevaertO利用传统影像学特征（SemanticFeature，例如空气支气管征，胸膜牵拉，边界欠清，磨玻璃样改变）识别肺腺癌EGFR基因突变状态，AUC值达到0.82-0.8965,93。传统影像学特征识别EGFR基因突变状态方法简便易行，但受研究者主观因素影响较大，结果很难重复。影像组学特征识别EGFR基因突变状态的研究日前也逐渐增多39,47,69,70,77,84（表3），AUC值在0.64-0.88之间。影像组学特征的优点在于其是定量数据描述影像特征，但也存在干扰因素较大，结果重复性稳定性不高的不足；另外，目前的研究，很多缺少外部验证与多中心验证。
【参考文献】：
期刊论文
[1]Management of tyrosine kinase inhibitor resistance in lung cancer with EGFR mutation[J]. Kevin Becker,Yiqing Xu. World Journal of Clinical Oncology. 2014(04)
[2]1,742例Ⅳ期非小细胞肺癌的预后分析[J]. 彭红,马美丽,韩宝惠. 中国肺癌杂志. 2011(04)
本文编号：3566788
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：101 页
【学位级别】：博士
【部分图文】：
影像组学基本步骤
上海交通大学博士论文19学，故需要计算能力强大的GPU（GraphicalProcessingUnits）103。近年来，利用CNN诊断皮肤肿瘤，眼底疾病及判断脑胶质瘤甲基化类型，其诊断准确性已超过专业医生101,104,105。目前在胸部肿瘤中，CNN最常应用于肺小结节良恶性判断，其AUC值已在0.85甚至0.9以上106-108（表2），仅在此领域其判断效能就高于影像组学（表1）。图2.CNN基本步骤。Figure2.BasicstepsofCNN.CNN主要由三部分构成:卷积层（ConvolutionalLayer），池化层（PoolingLayer），全连接层（FullyConnectedLayer）103。表2.近年使用CNN方法描述肿瘤生物学特性的研究。Table2.RecentstudiesutilizingCNNtodescribebiologicalcharacteristicsofcancer.第一作者发表年份杂志主要内容AUC&AccuracyKermanyDS1052018Cell识别视网膜疾病及肺炎分类。0.99ZhaoW1092018CancerRes判断GGO处于浸润前病变或浸润后病变。0.788-0.880XiaoY1102018ComputMethodsProgramsBiomed通过胃癌，乳腺癌和肺癌的RNA序列预测肿瘤发生。/MasoodA1112018JBiomedInform判别肺结节良恶性。0.776KimGB1122018JDigitImaging区分间质性肺改变类型。0.951CapperD1012018Nature判断胶质瘤甲基化分类。/ShenW1132017PatternRecognition判别肺结节良恶性。0.93SunW1142017ComputersinBiologyandMedicine判断肺结节良恶性。0.899±0.018TajbakhshN1072017PatternRecognition判别肺结节良恶性。0.77SongQ1152017JournalofHealthcareEngineering判别肺结节良恶性。0.841HamidianS1162017ProcSPIEIntSocOptEng自动识别肺结节。/WangS1172017MedImageAnal自动识别肺结节。/KangG1182017PlosOne判别肺结节良恶性。0.964WangHF11920
上海交通大学博士论文21异较大，分辨较为容易，并不能代表自然图像建立的CNN模型的效能就是最佳的。因此在后续的研究中，我们摒弃自然图像建模，而使用大样本胸部CT图像建立基础CNN模型，在胸部CT图像范围内进行迁移学习，以解决其他胸部肿瘤问题。图3.迁移学习（TransferLearning）的基本原理。Figure3.Basicprinciplesoftransferlearning.迁移学医主要是将在源域图像上训练好的CNN模型，迁移到新的目标域的图像上去，CNN模型的基本结构不发生改变，仅针对CNN模型卷积层与全连接层的结构进行微调103。1.5影像技术已有能力识别肿瘤EGFR突变状态和预测TKI药物疗效，并可能提供更多的肿瘤生物学信息。使用影像组学与CNN识别EGFR基因突变的研究目前已见诸报道。最初RizzoS与GevaertO利用传统影像学特征（SemanticFeature，例如空气支气管征，胸膜牵拉，边界欠清，磨玻璃样改变）识别肺腺癌EGFR基因突变状态，AUC值达到0.82-0.8965,93。传统影像学特征识别EGFR基因突变状态方法简便易行，但受研究者主观因素影响较大，结果很难重复。影像组学特征识别EGFR基因突变状态的研究日前也逐渐增多39,47,69,70,77,84（表3），AUC值在0.64-0.88之间。影像组学特征的优点在于其是定量数据描述影像特征，但也存在干扰因素较大，结果重复性稳定性不高的不足；另外，目前的研究，很多缺少外部验证与多中心验证。
【参考文献】：
期刊论文
[1]Management of tyrosine kinase inhibitor resistance in lung cancer with EGFR mutation[J]. Kevin Becker,Yiqing Xu. World Journal of Clinical Oncology. 2014(04)
[2]1,742例Ⅳ期非小细胞肺癌的预后分析[J]. 彭红,马美丽,韩宝惠. 中国肺癌杂志. 2011(04)
本文编号：3566788
本文链接：https://www.wllwen.com/shoufeilunwen/yxlbs/3566788.html
教材专著
