基于PET_CT的非小细胞肺癌EGFR基因突变的预测_郗晨蕾.pdf

基于 PET/CT 的非小细胞肺癌 EGFR 基因突变的预测郗晨蕾（兰州财经大学信息工程学院，甘肃 兰州730000）Predicting EGFR Mutation Status Based on PET/CT Imagingin Patients with Non-small Cell Lung Cancer摘要：肺癌是癌症中极为高发且死亡率极高的一种。近年来，针对EGFR突变的靶向治疗方式取得了良好的临床效果，但目前的EGFR突变状态的检测方式主要是基于肿瘤样本的活检，不仅样本获取困难，还可能会带给病人极大的痛苦。因此提出了一种基于深度学习的非小细胞肺癌EGFR基因突变的预测方法，使用Resnet50作为主干网络建立深度学习模型，通过对图像特征、临床特征和影像组学特征的有效融合，实现对EGFR基因突变的预测。所提出的方法取得了0.831的AUC。关键词：PET/CT；EGFR基因突变；深度学习；特征融合Abstract:Lung cancer is one of the most common cancers with high incidence and mortality.In recent years,targetedtherapy for EGFR mutations has achieved good clinical results.However,the current detection method of EGFR mutationstatus is mainly based on biopsy of tumor samples,which is not only difficult to obtain samples,but may also bring greatpain to patients.Therefore,this paper proposes a deep learning-based method for EGFR mutation prediction in non-smallcell lung cancer,using Resnet50 as the backbone network to establish a deep learning model to achieve the prediction ofEGFR mutation through the effective fusion of image features,clinical features and radiomics features.The proposed methodachieved an AUC of 0.831.Keywords:PET/CT,EGFR mutation status,deeping learning,feature fusion肺癌是世界各地导致癌症相关死亡的主要原因之一，非小细胞肺癌（NSCLC）占肺癌病例总数的80%以上，肺腺癌是肺癌最常见的组织学亚型，占肺癌发病的40%以上。18F-PDG PET/CT是一种无创的NSCLC诊断和分期工具，与传统的CT成像相比，18F-PDG PET/CT反映了肿瘤的葡萄糖代谢。更重要的是，肿瘤18F-PDG PET/CT摄取的减少证明了EGFR抑制剂在临床环境中的有效性，这意味着葡萄糖代谢和EGFR通路之间存在一定的关系。近年来，由于分子生物学的发展，靶向治疗在NSCLC的治疗中引起了广泛关注，特别是靶向酪氨酸的表皮生长因子受体（EGFR）激酶抑制剂（TKIs）已广泛应用于NSCLC的治疗。与传统的治疗方法，如放疗、化疗等相比，EGFR-TKI的副作用较少，且已被证明能更显著地改善EGFR突变的的非小细胞肺癌患者的预后。但对于没有发生EGFR突变的患者，EGFR-TKI不仅可能没有效果，且可能比传统治疗方法的预后更差，这说明了EGFR突变检测的重要性。目前，EGFR突变状态的识别主要是基于肿瘤标本活检的基因检测。然而，在临床实践中，肿瘤的异质性和活检所得肿瘤组织的不足，可能成为准确检测EGFR突变类型的障碍。因此，急需提出一种无创的检测EGFR突变亚型的方法。基于此，本文建立了深度学习预测模型，通过结合深度学习图像特征、影像组学特征和临床特征来对EGFR的突变状态进行预测。1模型建立1.1数据集数据来自包括211例非小细胞肺癌患者的公开数据集。其中，162例来自斯坦福大学，49例来自帕洛阿尔托退伍军人事务医疗保健系统。该数据同时包含图像和EGFR基因突变信息的患者共132例，其中EGFR基因检测为突变的患者为27例，野生的患者为105例。实验以十折交叉验证的方法进行训练，并将数据划分为：80%的训练集、10%的验证集和10%的测试集。1.2数据预处理图1为数据预处理的具体流程。为了确保数据的标准性，实验的前期首先对数据进行了以下处理：首先，由经验丰富的医生分别勾画出PET/CT原发瘤的区域；第二，利用3D Slicer软件，将PET图像转换为SUV图像；第三，使用最小最大值归一化方法，分别将PET和CT图像进行归一化，消除数据特征之间的量纲影响，并对归一化之后的PET图像和CT图像进行以下处理：根据医生勾画的原发瘤区域截取出原图像中肿瘤所在区域；通过线性插值，将图像变为64*64*64大小。图1数据预处理1.3影像组学特征提取及选择1.3.1影像组学特征提取实验利用Pyradiomics库分别对PET图像和CT图像的影像组学特征进行提取，其中在PET图像和CT图像中分别提取到1024个特征。特征类型主要有：矩阵形状属性（shape）、灰度依赖矩阵（gray level dependence matrix，GLDM）、灰度共现矩阵（graylevel co-occurrence matrix，GLCM）、一阶 特征（firstorder）、灰度行程矩阵（gray-level run length matrix，GLRLM）、灰度区域大小矩阵（gray-level size zone matrix，GLSZM）、邻域灰度差矩阵（neighborhood gray-tone differ-基于PET/CT的非小细胞肺癌EGFR基因突变的预测110工业控制计算机2023年第36卷第2期ence matrix，NGTDM），特征的具体含义见表1：表1特征的具体含义在特征提取特征的过程中，同时对原始图像及对原始图像应用了小波（Wavelet）、高斯滤波器的拉普拉斯算子（LoG）、平方（Square）、平 方 根（SquareRoot）、对 数（Logarithm）、指 数（Exponential）、梯度（Gradient）、本地三进制模型（LBP3D）等滤波器处理后获得的图像进行特征计算。针对LoG滤波器，实验应用了5个具有不同sigma值（sigma=1.0 mm，2.0 mm，3.0 mm，4.0 mm，5.0 mm）。1.3.2特征选择为了防止过拟合，提高学习精度，减少计算时间，实验使用十折交叉验证，通过最小绝对收缩和选择算子（LASSO）的方法对影像组学特征进行了特征筛选，最终分别得到203个PET特征和180个CT特征。1.4深度学习模型的构建如图2所示，实验构建了端到端的多模态深度学习模型来预测非小细胞肺癌的EGFR基因突变。实验以Resnet50网络作为主干网络构建了分类模型，网络有两个独立的分支，分别处理经过数据预处理后的PET图像和CT图像，两个分支使用相同的网络结构。在进行深度学习特征提取后，将两个分支的特征图进行全局平均池化，使用特征堆叠的方法进行特征融合后进入全连接层。同时，临床特征和降维后的影像组学特征，分别在不同的全连接层同样以特征堆叠的方式进行融合。最后，使用softmax激活函数进行预测。图2模型结构2实验结果及分析为验证本文提出方法的有效性，实验部分主要做了以下两个方面的工作：消融实验，将每一种特征分别引入实验的结果进行对比；与现有传统方法的实验结果进行对比。2.1实验环境本文使用的实验环境如表2所示：表2实验环境配置2.2评价指标本文使用本文使用ROC曲线下面积（AUC）、准确率（Ac-curacy）、召回率（Recall）、精确率（Precision）、F1值（F1_score）作为EGFR基因突变预测结果的评价指标。具体公式如式（1）（4）所示：Accuracy=TP+TNTP+TN+FP+FN（1）Recall=TPTP+FN（2）Precision=TPTP+FP（3）F1_score=2precisionrecallprecision+recall（4）以上公式中TP是将正样本正确分类的个数；TN为将负样本正确分类的个数；FP为将正样本分类错误的个数；FN为将负样本分类错误的个数。2.3实验结果及消融实验实验结果如表3所示。实验表明，融合了PET图像、CT图像、临床特征和影像组学特征的模型取得了最好的实验结果，达到了0.831的AUC。PET图像和CT图像融合临床特征和融合影像组学特征所得的结果相似，AUC值分别为0.774和0.781，均高于仅使用图像得到的AUC值。表3实验结果及消融实验2.4对比实验在早期研究中，通常使用临床特征和影像组学特征来预测EGFR基因突变的状态。因此，实验建立了临床模型和影像组学模型进行对比实验。实验采用十折交叉验证，实验结果如表4所示：表4对比实验根据表4可得，临床模型所得到的最高AUC值为0.755，为LogistRegression模型所得，其次是SVM模型所得到的AUC为0.727；影像组学模型的最高AUC为RandomForest方法所得到的0.747，其次是XGB方法所得的0.712的AUC；临床 模 型特 征 结 合 影 像 组 学 特 征 模 型 所 得 到 的 最 高AUC为0.775，高于分别由临床模型和影像组学模型所得的最高AUC值，其次为LogistRegression模型所得到的0.754的AUC。3结束语本文提出了融合了PET图像、CT图像、临床特征和影像组学特征对EGFR基因突变进行预测的模型，通过对比实验和消融实验，证明了本文提出的模型在仅需要医生勾画原发瘤的情况下，相较传统的机器学习方法使用更少的数据模态，能够取得更好的效果。参考文献1HSU W H,YANG C H,MOK T S,et al.Overview of cur-rent systemic management of EGFR-mutant NSCLC J.An-nals of Oncology,2018,29(suppl_1):I3-I92BENZ M R,HERRMANN K,WALTER F,et al.F18FDGpet/ct for monitoring treatment responses to the epidermal（下转第114页）111（上接第111页）growth factor receptor inhibitor erlotinibJ.Journal of NuclearMedicine,2011,52(11):1684-16893COOK G,ME OBRIEN,SIDDIQUE M,et al.Non-Small CellLung Cancer Treated with Erlotinib:Heterogeneity of(18)F-FDG Uptake at PET-Association with Treatment Responseand PrognosisJ.Radiology,2015,276(3):883-8934ROSA V D,IOMMELLI F,MONTI M,et al.Early 18F-FDGuptake as a reliable imaging biomarker of T790M-mediatedresistance but not MET amplification in non-small c