研究背景:影像组学技术可以快速无创地进行疾病的诊断和治疗效果预测。放射治疗是治疗肺癌的主要手段之一,其治疗效果主要取决于肿瘤组织细胞的放疗敏感性,且肺癌的组织学类型与放疗敏感性有关。故使用影像组学技术来诊断肺癌的组织学类型和评估肺癌患者的放疗敏感性显得尤为重要。研究目的:一、研究基于影像组学技术的肺腺癌的鉴别诊断,二、研究基于影像组学技术的肺癌患者放疗后肿瘤体积变化预测,三、研究基于影像组学技术的肺癌患者个体化放疗剂量。研究方法:一、基于影像组学技术的肺腺癌的鉴别诊断。回顾性地分析三个独立的肺癌队列,第一个队列(n=31)用于评估影像组学特征的稳定性,第二个队列(n=180)用于特征选择,第三个队列(n=384)用于模型构建和测试。研究分为四步:第一步勾画靶区,第二步提取影像组学特征,第三步进行特征选择,第四步构建影像组学模型并验证。特征选择的评分指标包括组内相关系数,ReliefF系数和Partition-Membership过滤器(PMF)。利用组内相关系数来评价特征的稳定性,利用ReliefF系数来选择具有分类能力的特征。采用PMF对特征进行转换。分类模型的性能指标包括准确度(Acc)、精密度(Pre)、曲线下面积(AUC)和kappa统计量。二、基于影像组学技术的肺癌患者放疗后肿瘤体积变化预测。回顾性地分析了两个独立的肺癌患者队列(n=191)。提取临床特征和影像组学特征,进行综合分析。使用组内相关系数,Pearson’s系数和ReliefF系数进行特征选择。逻辑回归模型用于构建分类器。性能评价指标包括准确度、精密度、召回率和AUC等。三、基于影像组学技术的肺癌患者个体化放射治疗剂量。回顾性地分析两组肺癌患者队列(n=351),分别用于特征选择和模型构建。特征选择方法和分类模型性能指标与第一项工作中的相同。研究结果:一、第一项研究选择出了10个最稳定且具有分类能力的特征。包括一阶特征中的球度和紧密度,灰度游程矩阵中的短游程重点、低灰度游程重点和高灰度游程重点,灰度共生矩阵中的均匀性、能量、对比度、相关性和差异性。6种机器学习分类器(包括逻辑回归,序列最小优化算法,随机森林,Ksar,朴素贝叶斯和随机委员会)在训练集和测试集上都有优秀的分类性能。其中,逻辑回归分类器具有最好的分类性能(Acc=98.72%,Pre=0.988,AUC=1,kappa=0.974)。二、第二项研究选出了3个临床特征和3个影像组学特征作为预测特征,其中临床特征包括吸烟史,组织学类型和其他肺部疾病,影像组学特征包括紧密度,能量和低灰度游程重点。LR分类器在测试集上具有良好的性能,准确度、精密度和AUC都高于85%。三、第三项研究选择出了10个影像组学特征,包括常规指数中的最大值,直方图特征中的偏度,形状特征中的球度和紧密度,灰度共生矩阵中的熵、对比度和差异性,灰度游程长度矩阵中的低灰度游程重点,灰度空间长度矩阵中的短空间重点和空间长度非均匀性。6种机器学习分类器在测试集上都具有良好的分类能力(AUC>0.90),其中序列最小优化算法具有最佳性能(Acc=96.9%,Pre=1.00,AUC=0.97,kappa=0.97)。研究结论:三项研究表明基于CT的影像组学特征可以鉴别出肺腺癌和优化肺癌患者的放疗剂量。