摘要
目的： 免疫治疗使微卫星不稳定性肠癌患者生存率及缓解率显著提高，本研究基于CT影像利用深度学习算法实现预测结直肠癌错配修复蛋白表达，探讨利用影像特征识别结直肠癌微卫星状态的可行性，从而促进无创操作下肠癌分子分型的预测。 方法： 回顾性选择2020年1月至2022年8月本院结直肠癌患者102例，其中经过免疫组化检测确定为MSI-H的患者40例，MSS患者62例，统计其对应错配修复蛋白（MLH1,MSH2,MSH6,PMS2）及原癌基因人类表皮生长因子受体2（HER-2）表达情况及分期，年龄，性别，收集CT图像。患者被分为实验组（n=40）和对照组（n=62）。2名经验丰富的放射科医生运用ITK-SNAP软件勾画肿瘤区域，标记ROI储存为mask文件，同时记录分型类型如mss,msi-h及her-2-,her-2+。Matlab2022A软件用于图像识别和二维（2D）图像深度学习建模，应用python及pycharm软件中的ResNet预训练模型进行三维图像深度学习建模。 结果： 1.不同分子分型的肠癌性别，年龄相比较，男女性别无明显差异（P=0.98），年龄方面有显著差异（P=0.0294），her-2表达有显著差异（p=0.03759）。 2.用深度学习软件matlab2022a中的ResNet50预训练模型对肠癌肿瘤区域进行基于二维CT图像的深度学习建模，不同迭代次数所得出的准确率大不相同，其中当迭代数为20时，训练集与验证集比例为7：3时，准确率最高（83.87%）。 3.用python进行基于三维CT图像的深度学习建模，图片深度为32，迭代数为10时，准确率为100%，可以认为模型有效。 结论： 结直肠癌的微卫星不稳定性在CT影像上存在一定的差异，可以通过深度学习模型进行区分。不同的迭代次数及预训练网络影响预测的准确率，ResNet50预训练模型具有较高的准确率。基于三维图像的深度学习模型较二维深度学习模型更具有可行性及可信度。
NETL