基于影像基因组学的肺癌预后模型研究

Despite the great progressions in cancer imaging technologies and new cancer treatment methods, the cancer remains a major risk threatening human health. Since there is a lack of capability of accurate assessment of cancer prognosis, over-diagnosis and over-treatment inevitably occur in current clinical practice, which injures patients and increases healthcare cost. To resolve this dilemma and help develop effective personalized cancer treatment, we will explore and build up a new cancer prognosis assessment model based on radiogenomics. Focusing on lung cancer, this project consists of the following specific tasks. (1) We will establish a database with multi-scale and multi-modality information including CT and PET images, genomic data and clinical data. (2) The new imaging features will be extracted from CT and PET images as phenotype biomarkers which can provide signature for lung cancer development and prognosis. (3) While the correlation between the new phenotype imaging biomarkers and genotype biomarkers are investigated, a new prognosis prediction model will be developed with the fusion of the phenotype and genotype biomarkers. (4) We will implement the new model in the clinical practice and conduct a pilot experiment to evaluate its performance.

近年来，癌症的影像诊断技术和治疗方法都取得了显著进步，但是癌症依然是威胁人类健康的主要危险因素。由于缺乏准确而有效的癌症预后评估指标，只能采取统一且盲目的治疗方式，难以避免地出现不当治疗或过度治疗。这不仅对许多癌症患者造成了很大的伤害，也极大地浪费了宝贵的医疗资源。为了解决这一临床实践中突出的难题，帮助建立更有效的个性化癌症治疗策略，本项目将研究和探索一种新型的、基于影像基因组学的癌症预后模型。项目将以肺癌为研究对象，专注于如下的具体研究任务：（1）建立一个多模态、多尺度的肺癌研究数据库，包括CT和PET图像、基因信息和相关临床信息；（2）从CT和PET图像中提取与癌症发病和演化机理密切相关的图像表征；（3）评估图像表征与现有基因型生物标记物之间的关联性，从而建立一个融合图像表型和基因型生物标记物的肺癌预后评估模型；（4）开展一个初步医学临床评估实验来检验这一新模型的可行性。

肺癌是一种异质性疾病，其临床行为存在很大不确定性。由于缺乏有效的癌症分类和预后评估，统一治疗方案被用于所有癌症病人，导致疗效欠佳。同时，医生很难预测癌症复发风险，也无法对癌症患者进行有效跟踪管理。因此，我们需要探索出更有效的疗效评估和癌症预后的生物标记物和预测模型。. 本项目主要研究内容包括：（1）基于CT影像的肺结节良恶性预测；（2）CT影像中肺肿瘤区域的自动分割提取；（3）基于CT影像和深度学习方法的肺癌EGRF基因突变状态预测；（4）基于CT影像的肺癌化疗反应疗效预测。. 在第一部分中，为了让医生可以看到“模型”预测结果的原因，提出了基于图像检索策略的肺结节良恶性分类预测方法；针对医学图像获取成本高、数量相对较少问题，提出并实现了“灵巧型”CNN、迁移学习、集成学习等方法模型；把肺结节研究扩展至小于3mm的微结节，实现了基于CNN的微结节和非结节的鉴别分类。. 在第二部分中，提出了两种CT图像中肺肿瘤区域的自动分割提取方法：（1）一种基于反卷积神经网络肺结节的自动提取方法；（2）一种基于多尺度空间自适应校准块的肺肿瘤区域自动提取方法。Dice指数均可达到0.8以上，可以帮助医生定量表征肺癌特性。. 在第三部分中，提出了两种基于CT影像的肺癌EGFR突变状态预测方法：（1）一种基于Cifar10-SENet的预测方法；（2）一种基于Radiomics特征图的预测方法。预测准确率可达0.70-0.90，有助于使用无创的CT影像辅助决策是否使用EGFR-TKI药物。. 在第四部分中，提出了两种基于影像组学的肺癌化疗治疗反应疗效预测模型。第一种模型中直接使用3D CT图像块中提取的影像组学特征，而第二种模型中使用了瘤周与瘤内区域的影像组学特征。对于化疗药物是否反应，模型的AUC可达0.94，有助于帮助医生在未使用化疗药物前根据CT图像预判疗效，选择让病人获益很大的药物，从而提高癌症患者生存率。. 总之，项目研究结果可以通过分析多个位置和多次扫描采集的医学影像，帮助肺癌探测、诊断、预后分析、治疗反应预测和疾病状态监测。