信息工程与人工智能学院知识库

肺癌是世界上发病率和死亡率最高的恶性肿瘤疾病之一。TNM分期是国际常用的恶性肿瘤分类方法，对癌症治疗方案的制定有重要作用。影像组学从医学图像中高通量提取量化特征，定量地描述关于肿瘤的关键性病理信息。实现基于影像组学特征的TNM分期意味着以非侵袭的方式实现肿瘤分期。通常来说如果出现肿瘤转移，就意味着较差的生存期和预后，通过对淋巴转移的预测，可以尽早发现存在潜在转移风险的患者，提前介入治疗对于提升患者的生存期和预后有重要意义。

因此，本文基于非小细胞肺癌患者的PET-CT图像，利用机器学习的方法，分别对非小细胞肺癌患者的TNM分期和淋巴转移进行预测，分析影像组学特征在术前肺癌TNM分期和淋巴转移预测中的性能。

基于影像组学特征对非小细胞肺癌患者的TNM分期进行预测，实现肺癌TNM自动分期。研究内容包括特征的提取与选择、TNM分期预测两部分。首先是影像组学特征的提取和选择。利用提取工具从患者的PET图像中提取影像组学特征，由于影像设备间的差异，用曼惠特尼U检验剔除在不同设备中不服从同一分布的特征，影像组学特征具有高维性，用方差过滤进行进一步特征选择，最后用LASSO选出与肺癌TNM分期相关的特征。其次，根据选择的特征用XGBoost分类器实现TNM分期预测。实验数据为324位TNM分期为I期、II期和III期的非小细胞肺癌患者的PET-CT图像。10折交叉验证结果显示总体精确度和AUC分别为0.71和0.59，I期、II期和III期召回率分别为0.95，0.38和0.63。结果说明利用影像组学特征可以用于非小细胞肺癌TNM分期，影像组学特征反映了肺癌不同分期肿瘤间的异质性。

基于影像组学特征的非小细胞肺癌淋巴转移预测，包括特征提取与选择和淋巴转移预测两部分。利用组合的特征选择策略包括曼惠特尼U检验、方差过滤和LASSO进行特征选择，然后用XGBoost分类器进行淋巴转移的预测。利用SMOTE数据不平衡策略解决实验中存在的数据不平衡问题。实验数据为121例非小细胞肺癌患者，其中没有淋巴转移（LNM-）102例，出现淋巴转移（LNM+）19例。淋巴转移预测包括两个内容，一是用不同类型的特征分别进行预测，验证不同类型特征在淋巴转移预测中的性能，二是利用LASSO选择的2个最优特征进行淋巴转移预测。单类型淋巴转移预测结果表明利用方差过滤选择后的不同类型特征在预测淋巴转移方面有良好的性能，不同类型的特征均一定程度地表达了瘤间异质性；利用LASSO选择后的特征进行预测时，在不加入临床特征情况下预测精确度与AUC分别为0.72和0.7，加入临床特征后精确度和AUC分别为0.78和0.75。通过与医生对患者淋巴转移的判断进行对比，基于影像组学的方法对于LNM+患者的预测要优于医生的判断，对于提升存在转移风险患者的生存期和预后有重要意义。利用医学影像进行肿瘤转移预测，具有非侵袭性，实验结果说明利用PET影像组学特征，可以实现肺癌的淋巴转移预测。

本文通过影像组学特征和机器学习的方法，研究肿瘤临床治疗中存在的问题。实验结果表明PET影像组学特征与非小细胞肺癌的TNM分期和淋巴转移有关，可用于非小细胞肺癌的TNM分期和淋巴转移预测，影像组学特征与临床特征结合有更好的淋巴转移预测结果。

Purpose: To develop and validate a radiomics-based model for preoperative prediction of TNM stage and lymph node metastasis(LNM) in Non-small cell lung cancer(NSCLC).

Methods: A total of 324 and 121 patients were enrolled respectively in our retrospective study. A radiomics evaluation of 833 high-throughput features were calculated from PET-CT images, including shape, texture, intensity and wavelet. Combined features selection strategy were used to select features related to TNM stage and LNM in NSCLC. The performance of prediction was evaluated by Confusion matrix, Accuracy and the area under the ROC curve(AUC). Synthetic Minority Oversampling Technique(SMOTE) were used to resolve data imbalance in LNM prediction.

Results: In total, 125 stage I, 58 stage II and 141 stage III were enrolled in prediction of TNM stage. After feature selection, 11 most contributing features were selected to develop XGBoost model. 10 fold cross validation showed that AUC value was 0.59, classification performance of stage I, II and III were 0.95, 0.38 and 0.63 respectively. 121 patients with 102 LNM+ and 19 LNM- were included in prediction of LNM. 2 radiomics features were reserved to develop XGBoost model finally. We both combined radiomics and clinical features (Smoker, Age and Laterality Desc) to develop XGBoost model. 5 fold cross validation showed that AUC value were 0.7 and 0.75 respectively. And then we test the performance of doctor’s prediction of LNM, AUC value was 0.66 after the calculation.

Conclusion: This study indicated that PET-CT based radiomics combined with clinical information is valuable in prediction of TNM stage and LNM in NSCLC. Prediction of LNM with radiomics-based model is better than the judgement of doctor, especially in patients with LNM+, which have significant value in improvement of overall and prognosis.