面向肺癌临床辅助诊疗决策的多模态数据融合分析关键技术研究

The mortality of Lung cancer is primary among the most common malignant tumors, and its incidence increased year by year in China. Some research studies show that early diagnosis and personalized treatment plays a vital role in improving the cure rate and the prognosis of patients with lung cancer. Due to the diversity and the complexity of pathological, improving the accuracy of diagnosis and prognosis of lung cancer is a great challenge. This research will focus on the study of fusion analysis of lung cancer clinical data with multi-modality for diagnosis, prognosis decision, recommendation personalized therapy and assessment of the therapy. The aim of the study is to design intelligent data analysis for high dimension, different class misclassification cost, limited labeled, complex data distribution and time series based on the fusion of multi-modality analysis, combined with the methods of semi-supervised learning, adaptive clustering, correlation analysis and multi-task learning, in order to achieve homogeneous representation of multi-modality, develop effective data analysis methods and construct prediction modal for clinical tasks. This project can provide the new ideas for the Clinical Decision Support for early diagnosis and treatment of lung cancer, and bring academic value and research significance.

肺癌的死亡率位居最常见恶性肿瘤之首，其发病率在我国亦逐年升高。研究表明早期诊断和个性化治疗对提高肺癌患者的治愈率和预后效果起着至关重要的作用。由于肺癌疾病种类的多样性和病理变化的复杂性，有效提高肺癌定性诊断和预后分析的准确率是对现有知识结构和技术水平的巨大挑战。因此本课题将以多模态的临床数据为研究对象，开展肺结节/肿块良恶性诊断、预后判断分析、治疗方案推荐和治疗疗效评估临床任务的关键技术研究。针对高维度、错分代价不同、类别未标记、分布复杂及时序性等肺癌临床数据分析的需求，基于深度学习网络的多模态融合分析方法，结合半监督学习、自适应聚类学习、相关性分析及多任务学习技术，实现跨模态数据统一表示，并根据临床任务设计有效的智能数据分析方法，构建预测模型。在此基础上为了验证理论研究的正确性，构建肺癌临床辅助诊疗决策系统。项目研究为肺癌的诊断和治疗提供科学的决策，具有一定的学术价值与研究意义。

本课题以多模态的临床数据为研究对象，分析了基于机器学习的肺癌计算机辅助诊断存在的问题以及现有临床数据分析方法的局限性，针对多模态、数据分布不均衡、数据标记不完整、模态粒度不一致及时序性等肺癌临床数据分析的需求，进行了深入的研究。在开展肺结节/肿块良恶性诊断、预后判断分析、治疗方案推荐和治疗疗效评估临床任务的关键技术研究等方面提出了一系列创新的高效解决方案，先后完成了多模态融合分析方法，不均衡数据学习，弱监督数据自适应学习，多视图关联分析及时序数据挖掘等算法的设计，取得了若干成果。具体成果包括：（1）针对肺癌临床数据多模态融合问题，提出了基于深度学习方法的多模态融合算法、基于多核学习方法的多模态融合算法；（2）针对肺癌诊断数据分布不均衡问题，提出了基于虚拟对抗梯形网络的深度学习诊断分类算法、自适应升采样集成学习算法、基于半监督代价敏感集成学习的诊断分类算法；（3）针对肺癌患者预后分析数据标注不完整问题，提出了基于多实例学习的弱监督学习算法、基于稀疏共享结构的自适应聚类无监督分析算法；（4）针对多模态治疗方案推荐中多模态粒度不一致问题，提出了基于核空间的视图相关性分析、基于Generalized fused lasso多任务学习的图相关性分析；（5）基于肺癌治疗方案评估中数据具有时序性问题，提出了基于融合拉普拉斯稀疏组Lasso的时序多任务学习、基于时序光滑约束的多任务稀疏学习算法。在LIDC、LUNA、ADNI等数据集上取得了比已有流行方法更好的预测结果，提高已有问题和数据的建模精度。以上研究成果对提高肺结节良恶性诊断准确率有重要意义。总之，本项目的完成有力地拓展了肺癌计算机辅助诊断的应用范围、我们的方法也扩展延伸到了阿尔茨海默症诊断预测和视网膜病变等其他领域中。同时，我们也发展了多模态数据融合分析等理论，并在多核学习、多任务学习方面增加了一些新方向和新技术的探索，为最优化方法的研究提供了新的理论和新的研究途径。上述相关研究成果发表在包括Pattern Recognition、Neurocomputing、ACM TKDD、MICCAI等在内的国际权威期刊会议上。获得2次辽宁省学术论文成果奖，在第十届BI会议上获得最佳论文奖。在项目期间，参加国际著名学术会议5次，口头报告4次。培养研究生8名，均已顺利毕业。