摘要
术前肺腺癌患者的淋巴结受累程度对于确定临床分期和选择治疗方案非常重要。目前，影像学检查和穿刺活检是临床中常用的淋巴结受累程度诊断方法。但是，影像学检查的敏感性或特异性较差。穿刺活检虽然具有很好的敏感性和特异性，但是可能引起气胸、出血等并发症。近年来，影像组学方法和深度学习方法因其无创、快速、自动化、准确性高等优点，被广泛应用于肺腺癌淋巴结转移诊断。 本研究招募了300名肺腺癌患者作为研究对象，所有患者都接受了系统性淋巴结清扫手术，术前对患者进行计算机断层扫描(Computedtomography，CT)，术后对淋巴结进行病理检查并以此作为金标准。将患者按4:1的比例随机划分为训练集(包含验证集)和测试集，其中，训练集用于建立模型，测试集用于评估模型。在本论文中，基于不同角度设计了影像组学模型、深度学习模型、以及融合影像组学特征和深度学习特征的复合模型，以预测肺腺癌淋巴结转移。具体工作如下： (1)基于影像组学方法预测肺腺癌淋巴结转移。 首先利用PyRadiomics从原始CT图像、高斯拉普拉斯滤波图像、小波滤波图像中提取了影像组学特征，然后使用T检验、Wilcox秩和检验和Lasso进行了特征选择，最后分别使用临床特征、原始CT图像特征、高斯拉普拉斯滤波图像特征、小波滤波图像特征以及所有图像特征通过LogisticRegression构建了临床模型、RA-Ori模型、RA-Log模型、RA-Wav模型和RA-All模型，结果表明，所有影像组学模型都优于临床模型。虽然RA-Ori模型的性能与RA-Log模型、RA-Wav模型和RA-All模型没有显著差异，但是RA-Ori模型使用的特征最少，因此最为简单。在测试集中，RA-Ori模型的敏感性、特异性、准确性和AUC(Areaunderreceiveroperatingcharacteristiccurve)分别为0.77、0.80、0.78、0.84，五折交叉验证结果中，RA-Ori模型的敏感性、特异性、准确性和AUC的均值分别为0.73、0.70、0.72、0.77，总的来说，RA-Ori模型是最佳的影像组学模型。 (2)基于深度学习方法预测肺腺癌淋巴结转移。 首先将单通道图像处理成三通道图像，然后基于迁移学习方法对VGGNet进行训练，同时使用BatchNorm、Dropout和稀疏剪枝对模型进行优化。最后，分别使用BatchNorm、Dropout和稀疏剪枝构建了Bn-Tr3-Cd-VGGNet模型、Dp4-Tr3-Cd-VGGNet模型、Pr8-Tr3-Cd-VGGNet模型。其中，BatchNorm和Dropout对模型性能几乎没有提升，稀疏剪枝对模型性能有一定提升，此外，稀疏剪枝还可以提升模型的推断效率，减少模型所需的内存空间。在测试集中，Pr8-Tr3-Cd-VGGNet模型的敏感性、特异性、准确性、AUC分别为0.93、0.50、0.72、0.78，总的来说，Pr8-Tr3-Cd-VGGNet是最佳的深度学习模型。 (3)融合深度学习特征和影像组学特征预测肺腺癌淋巴结转移。 首先使用PyRadiomics和Pr8-Tr3-Cd-VGGNet模型从CT图像中提取影像组学特征和深度学习特征，然后使用T检验、Wilcox秩和检验和Lasso进行特征选择，再对特征进行共线性分析，最后使用选择出来的特征通过LogisticRegression构建了一个复合模型。在测试集中，复合模型的敏感性、特异性、准确性、AUC分别为1.00、1.00、1.00、1.00。五折交叉验证结果中，复合模型的敏感性、特异性、准确性、AUC的均值分别为0.90、0.97、0.93、0.99。 综上所述，影像组学方法和深度学习方法都可以识别肺腺癌淋巴结转移。在所有模型中，复合模型的敏感性、特异性、准确性和AUC最好，可以精准地识别肺腺癌淋巴结转移。决策曲线分析表明，复合模型具有临床使用价值。
NETL