基于影像组学的胰腺肿瘤精准分类方法研究

摘要

胰腺导管腺癌（PDAC）和胰腺神经内分泌肿瘤（PNET）是最常见的两种胰腺肿瘤，非功能性神经内分泌肿瘤（NF-pNET）约占所有pNET的80％。NF-pNET显示各种非典型的临床表征，它们与PDAC临床表征非常相似，很可能被误认为是PDAC诊断的典型影像学征象，因而非典型NF-pNET很容易误判为PDAC，精准分类成为临床难题。由于非典型NF-pNET与PDAC的治疗策略和预后存在显着差异，因此非典型NF-pNET与PDAC的精准分类是临床实践中的一个重要问题。 数据来源于北京协和医院，包括80例PDAC和67例非典型NF-pNET，数据类型为电子计算机断层扫描（CT）影像及临床病理信息。目前，临床上还没有找到较好的方法来进行非典型NF-pNET与PDAC精准分类。本文提出一种新的解决思路，基于影像组学方法，并结合机器学习算法来进行胰腺肿瘤精准分类方法的研究。本研究从CT影像中提取大量高维的影像组学特征，并采用逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）算法来构建非典型NF-pNET与PDAC精准分类模型。我们构建了影像组学特征加临床信息的综合分类模型，并实现了对非典型NF-pNET与PDAC的精准分类。 本研究共构建了5个分类模型，并进行了分类模型之间的对比，选取最好的模型作为我们最终的精准分类模型。在独立的测试集，基于逻辑回归的临床信息加影像组学特征综合分类模型的AUC为0.884，与临床信息模型（AUC:0.775）相比性能显著改善，AUC提升了11%；且两者之间存在显著性差异（p=0.018，＜0.05），p值也说明了我们提出的综合模型相比于医生提供的临床信息模型，性能显著提高。另外，测试集中综合模型的分类准确率（ACC）为80.4%，敏感度（Sensitivity）为80.0%，特异度（Specificity）为80.8%，阳性预测值（PPV）为76.2%，阴性预测值（NPV）为84.0%。本文也设计了诺模图（Nomograph），在训练集和测试集中有良好的分类性能，C-index分别为0.960和0.884。最后，校准曲线（Calibration）显示分类模型有较高的稳定性。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 研究现状

1.3 本文主要工作

1.4 论文组织结构

2 相关技术

2.1 特征提取

2.2 特征选择

2.3 机器学习算法

2.3.1 最小绝对收缩和选择算子（Lasso）

2.3.2逻辑回归（Logistic Regression,LR）

2.3.3支持向量机（Support Vector Machine,SVM）

2.3.4随机森林（Random Forest,RF）

2.3.5 分类器性能评价指标

2.4 本章小结

3 数据处理与特征工程

3.1 实验数据

3.2 图像预处理

3.3 特征工程

3.4 本章小结

4 分类模型构建

4.1 分类模型训练

4.1.1 逻辑回归（LR）模型训练

4.1.2 支持向量机（SVM）模型训练

4.1.3 随机森林（RF）模型训练

4.1.4 分类模型性能评估

4.2 本章小结

5 实验结果及分析

5.1 Lasso特征选择结果分析

5.2 影像组学特征分类模型结果分析

5.2.1 逻辑回归分类结果分析

5.2.2 支持向量机分类结果分析

5.2.3 随机森林分类结果分析

5.2.4 三个影像组学模型结果对比分析

5.3 临床信息分类模型结果

5.4 临床信息加影像组学特征分类模型结果

5.5 模型之间的比较

5.6 本章小结

6 总结与展望

6.1 本文工作总结

6.2 展望

参考文献

个人简历、在学期间发表的学术论文与研究成果

致谢