摘要
目前，国内外多个诊疗指南推荐磁共振成像(magnetic resonance imaging， MRI)为脑转移瘤筛查及疗效评价的首选影像检查方法。随着脑转移瘤发病率的不断增加，病灶的MRI检测任务逐渐成为一项劳动密集型工作，在立体定向放射治疗(stereotactic radiotherapy，SRT)过程中，脑转移瘤的手动分割亦耗时、费力，且是一项操作者依赖性工作。此外，脑转移瘤的MRI评价当前仍处于传统视觉影像诊断模式，受制于人眼有限的图像特征辨识能力，医生无法从患者的基线MRI图像中提取出足够多的信息以预测脑转移性肿瘤的病理类型及脑转移瘤患者接受一线分子靶向药物治疗后的疗效。人工智能擅长处理大数据并且能够从医学数据中挖掘肉眼无法感知的高维信息和复杂特征，近年来在全身各系统疾病的自动检测、智能分割和分类任务中崭露头角。本研究基于脑转移瘤患者的MRI对比增强三维T1加权成像(contrast-enhanced three dimensional T1 weighted imaging，CE-3D-T1WI)，以人工智能技术为主要手段，系统性探索多种机器学习算法助力脑转移瘤精准诊疗的可行性。研究中涉及到脑转移瘤患者诊疗过程中的病灶检测与分割、原发肿瘤判别及疗效预测三个阶段。第一步，构建用于自动检测和分割脑转移瘤的门控高分辨率卷积神经网络(gated high-resolution convolutional neural network，GHR-CNN)。第二步，探讨基于脑转移瘤MRI影像组学特征所构建的不同机器学习分类模型预测脑转移性肺癌病理亚型(非小细胞肺癌或小细胞肺癌)的潜能。最后，构建伴表皮生长因子受体(epidermal growth factor receptor，EGFR)突变的非小细胞肺癌脑转移患者接受一线酪氨酸激酶抑制剂(tyrosine kinase inhibitor，TKI)治疗后一年内颅内进展的预测模型。 本研究所构建的GHR-CNN能够在MRI对比增强3D-T1WI图像上准确、快速地检测和分割脑转移瘤，并在一定程度上提高了放射科医生的脑转移瘤微小病灶检出率。 基于脑转移瘤MRI影像组学特征所构建的机器学习分类模型能够有效地预测脑转移性肺癌的病理亚型，其中，逻辑回归模型具有较高的预测性能。 基于脑转移瘤对比增强3D-T1WI图像的影像组学评分(Radscore_mean)是EGFR突变非小细胞肺癌脑转移瘤患者接受一线TKI治疗后颅内进展的预测标志物之一；整合了EGFR-19del突变、第三代TKI治疗和Radscore_mean的回归模型在预测脑转移瘤患者接受EGFR-TKI治疗后颅内进展方面展现出了良好的预测性能。
NETL