融合PET影像与基因信息的脑胶质瘤分类方法研究

发布时间：2021-10-17 19:09

　　脑胶质瘤最常见的原发性颅内肿瘤,约占所有中枢神经系统肿瘤的32%,约占颅内恶性肿瘤的81%。关键基因生物标志物,如MGMT、Ki67和IDH1/2,是评价脑胶质瘤恶性程度的主要指标,对其进行术前精准诊断对患者治疗方式的选择及其预后预测至关重要。由于脑部的特殊位置,临床采用活检的方法来获得相关基因生物标志物的状态具有较高风险,同时价格昂贵,给患者带来极大痛苦。PET-CT影像能无创提供肿瘤代谢相关信息,成为脑胶质瘤诊断的常用影像学手段,结合患者的PET-CT影像数据、相关临床和基因信息,利用机器学习方法实现基因生物标志物状态的预测,将有助于促进脑胶质瘤患者的精准治疗,降低手术风险,减少医疗成本。本文基于影像组学理论,通过对关键基因生物标志物MGMT、Ki67和IDH1/2的无创精准预测,实现脑胶质瘤分级。研究过程中,对影像特征、临床特征及其组合,分别建立影像模型、临床模型以及组合模型。构建影像模型时,首先针对PET-CT影像中感兴趣区计算影像组学特征,结合U检验、弹性网和SVM-RFE进行特征选,然后采用SVM算法训练分类模型;构建临床模型时,首先使用AIC作为评价指标的逻辑斯特回归算法... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

影像组学流程图

36图4.1MGMT影像模型的箱型图使用决策曲线[55]来衡量在本研究分类模型指导下，医生对不同类型的脑胶质瘤患者进行放化疗所取得的净收益，其中与X轴平行的黑色直线代表着不对患者进行治疗，很显然可以看出在任何阈值下净收益均为零，其中橘红色的曲线代表制对所有MGMT启动子甲基化患者均使用同样的方法进行治疗，绿色的直线是根据模型预测结果对患者制定个体化治疗方案，根据结果可以看出，从某一阈值开始，绿色曲线一直在橘红色直线上方，也就是说，对患者制定个体化治疗方案所获得的净收益高于对患者进行单一治疗所取得的净收益，决策曲线如图4.2(a)所示。利用Kaplan-Meier生存分析可以得到不同基因生物标志物状态所对应的患者生存概率，并且通过可视化的分析获得多条生存状态曲线，通过观测多条生存曲线可以直观的发现不同状态下的患者的存活能力。此外，使用Log-rank检验来比较不同生存曲线之间的差异。在纳入的107例患者中，有100例患者已知生存至截止日期或确切死亡时间，纳入预后分析，中位随访时间为32.4个月。本文分别根据患者MGMT启动子的实际状态和本研究中影像模型预测的MGMT启动子的状态来绘制Kaplan-Meier曲线，根据结果可以看出不管是根据实际的MGMT启动子的状态还是预测的MGMT的启动子的状态对患者进行分组，患者的总生存期均存在明显差异，相反的，MGMT启动子甲基化与MGMT启动子被预测为甲基化以及MGMT启动子没有甲基化与MGMT启动子没有被预测为甲基化之间的生存曲线在患者的总生存期方面并不存在明显差异，如图4.2(b)所示。4模型构建与评估

37图4.2MGMT影像模型的决策曲线与生存曲线以前对MGMT启动子甲基化状态进行放射学评估的研究主要基于多模态MRI的脑胶质瘤的视觉特征、定量参数或高通量的影像学特征，其ACC范围为0.58-0.89，AUC范围为0.75-0.92（其中包含不区分训练集与测试集的研究）。而本文使用PET-CT影像数据进行研究，研究结果表明，基于PET-CT的影像分类模型相较于之前的研究，也是非侵袭性预测MGMT启动子甲基化状态以及预后预测的一种有前途的方法，具有很强的临床应用潜力。4.3.2Ki-67实验与结果分析本研究纳入了123例（82例用于模型训练，41例用于模型的验证，样本的划分比例与排序和特征选择时一致）脑胶质瘤患者的PET-CT影像数据、临床和基因信息，在经过特征提取与特征选择后，使用特征选择的结果进行分类模型的构建，其具体的特征选择结果见3.6.4小节。使用筛选后的影像特征和影像模型构建方法来构建预测Ki-67表达量的影像模型，使用筛选后的临床特征和临床模型构建方法来构建预测Ki-67表达量的临床模型，使用筛选后的组合特征和组合模型构建方法来构建预测Ki-67表达量的组合模型。每种分类模型均使用训练集进行训练，使用测试集对训练好的模型进行验证，看是否出现过拟合或者欠拟合的问题。使用模型评价方法对影像模型、临床模型和组合模型来进行对比分析，选择最优的模型来预测Ki-67的表达量，其中影像模型显示出最好的性能，在训练4模型构建与评估


本文编号：3442275