基于CT影像组学和深度学习的肺癌免疫治疗疗效预测研究
基于CT影像组学和深度学习的肺癌免疫治疗疗效预测研究
国家自然科学基金青年项目资助了一项关于晚期非小细胞肺癌免疫治疗疗效预测的研究。该项目通过CT影像组学和深度学习技术，开发了多种预测模型，包括基于短时随访CT影像组学的疗效预测模型和脑转移风险预测模型等。研究团队还开发了肺肿瘤分割方法和肺腺癌风险分层方法，并在特征融合研究中预测EGFR基因突变状态。项目成果丰硕，发表7篇SCI论文，申请3项发明专利（授权1项），获得1项软件著作权，协助培养2名研究生，多次参与学术会议并获奖。
项目背景与意义
PD-1/PD-L1免疫疗法在晚期非小细胞肺癌治疗中疗效显著，但存在超进展和假性进展等非常规应答现象，疗效的早期精准预测至关重要。病理检查虽可评估疗效，但有创生物标志物无法全面表征肿瘤微环境且不适用于动态监测。前期研究表明CT影像特征与肿瘤微环境中免疫特征密切相关且在疗效评估中作用重大。
本项目拟运用智能影像分析方法，提取肺肿瘤的CT影像组学和深度图像特征，挖掘与免疫微环境特征高度相关的影像特征；量化分析治疗前和治疗中肺肿瘤影像的动态变化特征，并整合免疫微环境特征，训练机器学习分类器，构建疗效预测模型。
通过综合分析CT影像的动态变化特征和免疫微环境特征，本项目有望为监测晚期非小细胞肺癌免疫微环境提供无创、可靠的影像标志物，建立稳定、高效的疗效预测模型，辅助临床医生制定治疗决策，具有较高的理论意义和应用价值。
基于短时随访CT影像组学的非小细胞肺癌免疫治疗疗效预测流程
数据采集：对晚期NSCLC患者在接受抗PD-1/PD-L1治疗前进行CT扫描，之后进行第一次随访CT扫描。
影像特征提取：对治疗前和随访的CT影像分别进行3D分割，提取影像组学特征，包括原始特征、形状特征、直方图特征、纹理特征、小波特征等，并计算影像组学特征的变化（ΔRadiomics Feature）。
模型构建与分析
- 将提取的特征用于支持向量机（SVM）分类器，通过SMOTE过采样、特征选择和特征标准化等步骤，构建疗效预测模型，区分患者对免疫治疗的应答（Response）和无应答（Non-Response）情况。
- 根据患者的最佳总体缓解情况，分为完全缓解、部分缓解、病情稳定和疾病进展。
- 进行长期随访，开展生存分析，评估无进展生存期（PFS）和总生存期（OS）。
基于胸部CT和脑MRI影像组学的脑转移风险预测流程
影像采集：获取患者的胸部CT和脑MRI影像。
影像分割：对胸部CT影像中的肺部病变区域以及脑MRI影像中的脑部区域分别进行分割处理。
特征提取：从分割后的影像中提取多种影像组学特征，包括原始图像特征、小波图像特征、灰度共生矩阵（GLCM）特征等。
模型开发
- 对提取的特征进行标准化处理。
- 采用递归特征消除（RFE）方法进行特征选择。
- 利用SMOTE重采样方法处理数据不平衡问题。
- 将处理好的特征数据输入支持向量机（SVM）分类器，构建脑转移风险预测模型。
- 分类预测：使用构建好的模型对患者是否发生脑转移（BM表示脑转移，Non-BM表示非脑转移）进行分类预测。
基于注意力级联的残差U-Net和条件随机场的磨玻璃肺结节分割算法流程
数据获取与预处理：从CT图像中提取包含磨玻璃肺结节的3D图像块（3D GGN Patch）。
数据增强：对提取的3D图像块进行数据增强操作，包括随机裁剪（Random Cropping）、图像翻转（Image Flipping）以及90度旋转（Rotation by 90 degrees），以扩充数据集。
模型处理：将增强后的数据输入3D注意力级联残差U-Net网络（3D ACRU-Net）进行特征提取与处理，该网络通过注意力机制和残差结构优化特征学习。
优化校正：使用条件随机场（CRF）对3D ACRU-Net输出的结果进行优化校正，进一步提升分割的准确性和精细度。
结果输出：最终得到磨玻璃肺结节的分割结果。