论文部分内容阅读
目的：肺癌是世界上最常见的癌症类型，也是导致癌症相关死亡的主要原因，肺腺癌的表皮生长因子受体(Epidermal growth factor receptor，EGFR)基因突变状态对治疗指导起了决定性作用。本研究针对目前肺腺癌获取病理标本具有有创性、EGFR基因突变状态检测困难这一现状，探讨了基于深度学习方法氟18脱氧葡萄糖正电子发射型计算机断层显像(18-Fluorodeoxyglucose positron emission tomography/computed tomography，18F-FDG PET/CT)对肺腺癌EGFR基因突变的预测价值。 方法：收集2011年04月～2016年12月于郑州大学人民医院行18F-FDG PET/CT检查的肺腺癌患者共400例其中216例经手术或穿刺活检病理证实为肺腺癌并行EGFR基因检测，其中EGFR阳性112例，阴性104例，并将其相应分为EGFR基因突变组（112例）和基因野生组（104例）。收集所有患者临床资料：性别、年龄及TNM分期，观察并测量患者肺部肿块的CT影像学特征及PET葡萄糖代谢参数。主要CT特征包括：肿瘤最大径、边缘（有无毛刺/分叶）、钙化、胸膜凹陷征、胸腔积液征、血管纠集征、支气管充气征、肿瘤消失率(Tumor disappearance rate，TDR)、肺气肿;PET葡萄糖代谢主要半定量参数包括：糖酵解总量(Total lesion glycolysis，TLG)、最大标准摄取值(Maximal standard uptake value，SUVmax)及代谢体积(Metabolic tumor volume，MTV)。分别分析患者CT影像学特征及PET代谢特征与其EGFR基因突变的相关性。以单因素分析P＜0.05的变量建立logistic回归模型，以受试者工作特征曲线下的面积表示临床及一般影像学特征对肺腺癌EGFR基因突变的预测价值。将216例肺腺癌患者随机分为训练集170例（EGFR阳性84例、阴性86例）和测试集46例(EGFR阳性28例、阴性18例)。以密集卷积网络(Dense convolutional network，Densenet)为基础，先后采用未分割的整个胸部PET/CT图像及分割的肿瘤PET/CT图像融合临床及一般影像指标两种方法，结合多层次特征和多样化注意力机制建立深度学习模型，并分别在测试集和验证集上用相应的受试者工作特征(receiver operating characteristic，ROC)曲线下的面积(area under curve，AUC)来表示PET、CT图像结合临床及一般放射学特征对肺腺癌EGFR基因突变的预测价值。最后采用z检验比较基于不同方法的PET/CT显像预测模型对肺腺癌EGFR基因突变的预测价值。 结果：1、EGFR基因突变组和野生组间年龄、TNM分期、支气管充气征、钙化、毛刺、分叶、胸腔积液、胸膜凹陷征没有统计学差异，肺气肿、血管纠集征、TDR、最大直径、TLG、SUVmax及MTV有统计学差异。以单因素分析P＜0.05的变量纳入Logistic回归模型结果显示TLG、性别、血管纠集征、肺气肿是预测肺腺癌患者EGFR突变的独立影响因素。最后根据预测概率与EGFR病理结果得到Logistic回归模型ROC曲线，AUC为0.766。 2、采用未分割的整个胸部PET/CT图像融合临床及一般影像指标建立的深度学习模型对肺腺癌EGFR突变状态的预测性能为训练组AUC=0.821，测试组AUC=0.810;采用分割的肿瘤PET//CT图像融合临床及一般影像指标建立的深度学习模型对肺腺癌EGFR突变状态的预测性能为训练组AUC=0.881，测试组AUC=0.870。 3、三组模型对EGFR基因突变预测效能的对比分析显示，分割的肿瘤PET、CT图像融合临床及一般影像指标建立的深度学习模型优于未分割的整个胸部PET、CT图像融合临床及一般影像指标建立的深度学习模型(P＜0.05);也优于宏观PET、CT图像结合临床特征建立的logistics回归模型(P＜0.05);未分割的肿瘤PET、CT图像融合临床与一般影像指标建立的深度学习模型优于宏观PET、CT图像结合临床特征建立的logistics回归模型。 结论：基于深度学习方法融合分割后的肿瘤PET、CT图像、临床及一般影像学特征对肺腺癌EGFR基因的预测价值有明显提高，有望为临床无创预测肺腺癌患者EGFR基因突变提供更大帮助。