论文部分内容阅读
头颈部癌症原发病灶位置之多，病理类型之复杂，在全身肿瘤之中居首位。原发肿瘤复发预测对于医生制定治疗方案有着重要意义。影像组学运用影像手段评估肿瘤在组织水平的异质性，并综合考虑临床信息关联因素，可以为优化临床治疗策略提供参考，促进个体化精准治疗。
本文回顾性分析了TCIA数据库公布的头颈癌数据，包含298例头颈癌患者治疗前的原始PET/CT影像数据及部分临床信息。首先基于小波变换进行PET/CT的影像融合，并对每位患者提取了3215个肿瘤特征，包括一阶灰度信息10个、三维形状特征5个和纹理特征3200个。接着，本文使用逻辑回归模型、Cox回归模型和K-M生存分析方法评估了以融合后的3D图像构建的影像组学对局部复发和远端转移的预测性能相比于融合前是否存在差异；然后，将患者的临床信息筛选加入到影像组学中，建立综合的随机森林预测模型。最后，使用卷积神经网络尝试单独使用PET图像进行端到端的深度学习预测。
在局部复发的预后预测方面，融合的PET/CT特征集有一定优势，未加入临床信息时，与未融合相比，用融合特征集训练的模型一致性指数CI由0.52提高至0.63，AUC值由0.57提高至0.60；加入临床信息后，融合与未融合相比，一致性指数由0.67提高至0.70，AUC值从0.69提高至0.70。在预测远端转移方面，融合后的图像并不会带来性能的提升。以PET图像为研究对象，基于深度学习的影像组学仅在预测远端转移方面有不错的效果，敏感性0.67，特异性0.72。
本文的研究结果表明多模态融合的影像预处理方法可以使影像特征提取更加完整。影像组学方法可为临床试验设计提供补充信息，最终有助于指导头颈癌的精确治疗。
本文回顾性分析了TCIA数据库公布的头颈癌数据，包含298例头颈癌患者治疗前的原始PET/CT影像数据及部分临床信息。首先基于小波变换进行PET/CT的影像融合，并对每位患者提取了3215个肿瘤特征，包括一阶灰度信息10个、三维形状特征5个和纹理特征3200个。接着，本文使用逻辑回归模型、Cox回归模型和K-M生存分析方法评估了以融合后的3D图像构建的影像组学对局部复发和远端转移的预测性能相比于融合前是否存在差异；然后，将患者的临床信息筛选加入到影像组学中，建立综合的随机森林预测模型。最后，使用卷积神经网络尝试单独使用PET图像进行端到端的深度学习预测。
在局部复发的预后预测方面，融合的PET/CT特征集有一定优势，未加入临床信息时，与未融合相比，用融合特征集训练的模型一致性指数CI由0.52提高至0.63，AUC值由0.57提高至0.60；加入临床信息后，融合与未融合相比，一致性指数由0.67提高至0.70，AUC值从0.69提高至0.70。在预测远端转移方面，融合后的图像并不会带来性能的提升。以PET图像为研究对象，基于深度学习的影像组学仅在预测远端转移方面有不错的效果，敏感性0.67，特异性0.72。
本文的研究结果表明多模态融合的影像预处理方法可以使影像特征提取更加完整。影像组学方法可为临床试验设计提供补充信息，最终有助于指导头颈癌的精确治疗。