摘要
克罗恩病(Crohn''sDisease,CD)是一种可累及全消化道的慢性非特异性肠道炎症疾病，好发于末端回肠、回盲部及邻近右半结肠，病灶呈多节段分布的特点。此病病因复杂，病情缓解与发作反复交替，随着时间的推移，肠壁炎症会逐渐恶化，导致肠壁纤维化和多种并发症，对患者的健康和生活质量造成了严重影响。因此，及时有效地评估患者的病情对治疗方案的制定至关重要。临床上由医生通过临床表现、内镜、组织学、影像学以及非侵入性标志物等多种诊断方法对CD活动度进行评估，这些方法存在主观性、耗时耗力、侵入性等缺点。近年来，影像组学作为人工智能中的一个领域，借助计算机技术从医学图像中高通量提取定量特征，将数字图像转换为可分析的客观数据，在一定程度上解决了肿瘤异质性难以评价和量化的问题。目前，该技术已广泛应用于肿瘤的良恶性诊断、预测预后和治疗反应评估等方面。然而，将影像组学技术应用于CD这种非肿瘤的研究鲜有报道。为探索影像组学技术在CD活动性评估方面的应用价值，本文基于小肠CT造影图像提取影像组学特征数据，结合机器学习算法实现对CD活动性客观、准确地评估。本文的主要工作内容如下： (1)介绍了克罗恩病对人类的危害和准确评估CD活动性对疾病治疗的重要性，以及临床上对于CD活动性的评估方法。同时分析了目前关于CD活动性的国内外研究现状，重点介绍了影像组学方法在CD诊疗中的研究现状及意义。对影像组学方法做出概述，介绍了影像数据的获取、感兴趣区域的分割、特征提取和选择、模型建立与评估四个重要步骤，并对重要的特征选择方法以及核心的机器学习分类算法的原理做了概述和主要特点做了分析。 (2)在影像组学结合机器学习模型对克罗恩活动性评估的研究中，针对目前使用影像组学技术对CD活动性评估的研究存在准确度不高、模型不稳定等问题，本文使用主成分分析、方差选择法、互信息法、递归特征消除法、LASSO回归和决策树共6种特征筛选方法对数据进行处理，以去除数据的冗余性。采用RF、XGBoost、SVM、KNN、LR共5种分类算法建立CD活动性的预测模型，对以上不同的特征筛选方法和分类算法进行两两组合并实验，以选择适用于评估CD活动性的最佳特征筛选方法和分类算法。为提高分类器的评估性能，在模型训练中通过网格搜索法对各个分类算法的重要参数进行优化。对比5个分类器得到的结果，将分类效果好的算法作为基学习器，分别利用硬投票和软投票机制构建集成分类器，结果表明软投票法效果更好。为寻找最优权值参数，利用粒子群优化算法获得最优的权值组合，构建加权软投票分类器。结果表明LASSO回归算法为最佳特征选择方法，以SVM、KNN和LR构建的加权软投票分类器效果最佳，活动期和缓解期CD分类结果的AUC、准确度分别为0.938、0.903，结果表明影像组学技术可以客观有效地对CD活动性进行鉴别诊断，加权软投票集成法具有更好的诊断效能。 (3)为进一步探索影像组学特征结合临床特征构建的融合模型对内镜下CD活动性的评估价值，本文收集了C反应蛋白、白细胞计数、红细胞沉降率、血清白蛋白和血红蛋白等实验室检查指标以及基于CT图像得到的CT值作为临床特征。首先通过单因素和多因素分析确定临床独立预测因子，再采用第三章得到得最佳特征选择方法进行影像组学特征筛选，计算最佳特征集的影像组学评分，并与临床独立预测因子结合，通过多因素LR建立两者的融合模型并绘制列线图。结果显示门静脉期CT值、红细胞沉降率和C反应蛋白是CD活动性的临床相关独立预测因子，基于融合特征构建的列线图模型在测试集上AUC为0.946，结果高于单一特征的模型。
NETL