联合PET/CT图像影像组学数据与机器学习技术鉴别孤立性肺结节良恶性、病理分型及基因突变

Lung cancer is the most mortality cancer in China. Thus diagnose and treat lung cancer at an early stage is quite important in improving the patient 5 years survival rate. Lung cancer usually presents as a solitary pulmonary nodule (SPN) on diagnostic imaging. Accurate classification of SPNs is a critical clinical task. 18F-FDG PET/CT has been demonstrated as a useful tool for SPNs diagnosis. Using SUVmax to differentiate malignant nodules achieved a high sensitivity results, but the specificity is low..In our previous work, we have already found that the radiomics features on dual time point PET imaging, especially delayed phase, can be used to build a machine learning model to classify the malignant SPNs from benign and to predict the pathological type of SPNs. Radiomics features, like busyness and coarseness, extracted from delayed PET images are a sensitive predictor for malignant SPNs. Based on those foundations, we aim to use radiomic features extracted from PET/CT images to build machine learning models for diagnosis malignant SPNs and prediction the pathological types and gene mutations of SPNs. With optimal of the models, the study might provide a new solution for serial clinical problems, especially the early diagnosis and targeted therapies of lung cancer.

肺癌是我国死亡率第一位的肿瘤，早期诊断、早期治疗对提高肺癌患者5年生存率至关重要。孤立性肺结节是早期肺癌的影像学表现之一，对其进行准确的良恶性鉴别是目前亟待解决的临床问题。PET/CT是目前临床常用的鉴别结节良恶性的方法之一，但目前常用的定量指标SUVmax在鉴别良恶性结节时虽然具有很高的灵敏度，但特异度较低。.申请者在前期试验中发现双时相PET显像的影像组学数据，特别是延迟相数据，可用于训练机器学习模型进行孤立性肺结节的良恶性鉴别、病理分型的预测。特别是延迟期PET图像上Busyness、Coarseness等指标均是判别孤立性肺结节良恶性的敏感指标。在此基础上本项目拟深入研究探讨PET/CT图像影像组学数据与机器学习技术在孤立性肺结节良恶性、病理分型及基因突变预测中的应用。通过不断完善机器学习模型、提高预测的准确性，本项目或将为肺癌的早期诊断、靶向治疗等临床热点问题提供新的解决方案

肺癌已经成为我国肿瘤死亡患者的最常见病因，鉴于肺癌的极大危害，肺癌的早期、准确诊断就显得尤为重要。孤立性肺结节是早期原发性肺癌的常见影像学表现之一。因此如何对SPN的良恶性进行准确甄别，对肺癌的早期诊断、提高生存期就显得至关重要。此外对于恶性SPN是否伴有淋巴结转移和基因突变也是临床十分关心的问题。准确的淋巴结转移对于患者分期、手术方式选择、患者预后的评估都具有重要意义；基因突变的准确预测也是影响靶向治疗、患者预后的重要因素。本项目旨在利用孤立性肺结节患者的18F-FDG PET/CT图像提取影像组学数据，构建大数据，并利用此数据训练人工智能模型，用于肺结节良恶性诊断、恶性结节淋巴结转移的诊断、恶性结节基因突变的预测。本项目在数据处理过程中尝试了多种方法，结果显示LASSO、方差膨胀因子是较为优秀的指标筛选方法，可用于影像组学指标的筛选。在多种人工智能算法中我们尝试了K近邻、支持向量机、逻辑回归、改进的多项式广义线性模型等多种模型，结果显示对于不同的任务不同的算法性能不同，应根据具体的任务选择合适的算法，在结节良恶性诊断中支持向量机表现最优，在淋巴结转移的预测中通用梯度回归模型表现最优，在EGFR和BRAF基因图标的预测中改进的FM模型表现最优。本项目的试验结果显示18F-FDG双时相PET显像的影像组学数据可用于构建人工智能模型，ROC曲线下分析显示在良恶性鉴别中曲线下面积（AUC）为 0.90；在淋巴结转移的诊断中AUC为0.91的水平，在EGFR突变预测中AUC为0.89，在KRAS突变的预测中AUC为0.81，曲线下面积均明显高于0.7说明这些人工智能模型的诊断和预测性能较为优秀。本研究的研究成果证实人工智能在18F-FDG双时相PET显像孤立性肺结节良恶性鉴别、淋巴结转移诊断、癌基因预测中具有可行性，也为将来在临床工作中使用人工智能提供了方向和数据。