摘要：

目的:通过回顾性收集肺腺癌(lung adenocarcinoma,LUAD)患者的~(18)F-脱氧葡萄糖正电子发射断层扫描/计算机断层扫描(~(18)F-flourodeoxyglucose positron emission tomography/computed tomography,~(18)F-FDG PET/CT)影像及临床信息,分别探究PET代谢参数,~(18)F-FDG PET/CT影像结合深度学习模型以及~(18)F-FDG PET/CT影像组学特征结合机器学习算法对LUAD表皮生长因子受体(epidermal growth factor receptor,EGFR)突变状态和突变亚型的预测价值.方法:回顾性收集2016年4月至2020年5月于天津医科大学肿瘤医院行~(18)F-FDG PET/CT检查的301例(男162例,女139例)LUAD病人的影像及病理资料.(1)将所有纳入患者的PET影像资料导入GE Advantage Workstation 4.6(AW4.6),以SUV=2.5为阈值,对纳入患者PET图像的感兴趣体积(volume of interest,VOI)进行手动勾画,分别对LUAD患者原发病灶的最大标准摄取值(maximum standardized uptake value,SUVmax),平均标准摄取值(mean standardized uptake value,SUVmean),标准摄取峰值(peak of standardized uptake value,SUVpeak),肿瘤代谢体积(metabolic tumor volume,MTV),病灶糖酵解总量(total lesion glycolysis,TLG)进行测量,结合以上参数的测量值对EGFR突变状态和EGFR突变亚型进行预测.(2)随机将70%的病人纳入训练集,剩余30%的病人纳入测试集,使用~(18)F-FDG PET/CT影像结合深度学习模型Dense Net-BC-121对EGFR突变状态和EGFR突变亚型进行预测.(3)对收集的PET/CT影像进行感兴趣体积(volume of interest,VOI)勾画,并在VOI的区域内提取影像组学参数.对提取的PET和CT组学参数进行特征融合并对PET,CT和PET/CT融合特征分别进行特征筛选.随机将70%的病人纳入训练集,剩余30%的病人纳入测试集,使用多层感知机(Multi-layer perceptron,MLP),支持向量机(Support vector machine,SVM),随机森林(random forest,RF)和极限梯度提升(Extreme gradient boosting,Xgboost)分别对训练集中PET,CT,PET/CT拼接融合和平均融合特征进行训练,并对测试集的数据进行预测.通过绘制受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under curve,AUC)对各个预测模型对EGFR突变状态及突变亚型的预测性能进行评估.结果:在使用~(18)F-FDG PET传统参数对EGFR突变状态的预测中(包括18号外显子突变与20号外显子突变的肺腺癌患者),SUVmean,SUVmax,SUVpeak,MTV和TLG的AUC分别为0.55(95%CI:0.48-0.62,p=0.14),0.62(95%CI:0.55-0.68,p=0.01),0.56(95%CI:0.50-0.63,p=0.03),0.55(95%CI:0.48-0.61,p=0.17)和0.57(95%CI:0.51-0.64,p=0.03);在使用~(18)F-FDG PET传统参数对EGFR突变亚型(不包括18号外显子突变与20号外显子突变的肺腺癌患者)的预测中,SUVmean,SUVmax,SUVpeak,MTV和TLG的ROC曲线下面积AUC分别为0.51(95%CI:0.41-0.61,p=0.82),0.53(95%CI:0.43-0.62,p=0.60),0.52(95%CI:0.42-0.62,p=0.64),0.54(95%CI:0.44-0.64,p=0.39)和0.54(95%CI:0.44-0.64,p=0.44).在使用~(18)F-FDG PET/CT结合深度学习模型Dense Net-BC-121对EGFR突变状态的预测中,CT图像结合深度学习模型预测下的AUC为0.51;PET图像结合深度学习模型预测下的AUC为0.57.在使用~(18)F-FDG PET/CT结合深度学习模型Dense Net-BC-121对EGFR突变亚型的预测中,CT图像结合深度学习模型预测下的AUC为0.50;PET图像结合深度学习模型预测下的AUC为0.54.在使用~(18)F-FDG PET/CT影像组学特征结合机器学习模型对EGFR突变状态的预测中,单模态CT影像组学特征结合MLP,SVM,RF和Xgboost预测的AUC分别为0.61(95%CI:0.50-0.73,p=0.06),0.62(95%CI:0.51-0.74,p=0.04),0.62(95%CI:0.50-0.74,p=0.05),0.59(95%CI:0.47-0.71,p=0.13).单模态PET影像组学特征结合MLP,SVM,RF和Xgboost预测的AUC分别为0.61(95%CI:0.49-0.73,p=0.06),0.58(95%CI:0.46-0.70,p=0.20),0.61(95%CI:0.49-0.73,p=0.07),0.63(95%CI:0.51-0.75,p=0.03).在两种融合影像组学特征的预测中,PET/CT拼接融合特征结合MLP,SVM,RF和Xgboost预测的AUC分别为0.63(95%CI:0.52-0.75,p=0.02),0.65(95%CI:0.53-0.76,p=0.01),0.68(95%CI:0.57-0.80,p<0.01),0.79(95%CI:0.69-0.88,p<0.01).PET/CT平均融合特征结合MLP,SVM,RF和Xgboost预测的AUC分别为0.78(95%CI:0.68-0.87,p<0.01),0.67(95%CI:0.56-0.78,p<0.01),0.67(95%CI:0.55-0.78,p<0.01),0.71(95%CI:0.60-0.82,p<0.01).在使用~(18)F-FDG PET/CT影像组学特征结合机器学习模型对EGFR突变亚型的预测中,单CT模态影像组学特征结合MLP,SVM,RF,Xgboost预测的AUC分别为0.57(95%CI:0.32-0.81,p=0.58),0.61(95%CI:0.40-0.82,p=0.31),0.60(95%CI:0.36-0.85,p=0.41),0.60(95%CI:0.40-0.80,p=0.32).单PET模态影像组学特征结合MLP,SVM,RF,Xgboost的AUC分别为0.62(95%CI:0.40-0.84,p=0.30),0.54(95%CI:0.31-0.76,p=0.75),0.53(95%CI:0.32-0.74,p=0.78),0.62(95%CI:0.43-0.82,p=0.21).PET/CT拼接融合特征结合MLP,SVM,RF,Xgboost的AUC分别为0.78(95%CI:0.62-0.94,p<0.01),0.67(95%CI:0.45-0.89,p=0.13),0.83(95%CI:0.68-0.97,p<0.01),0.76(95%CI:0.60-0.93,p<0.01).PET/CT平均融合结合MLP,SVM,RF,Xgboost的AUC分别为0.74(95%CI:0.54-0.93,p=0.02),0.77(95%CI:0.58-0.96,p<0.01),0.73(95%CI:0.55-0.91,p=0.01),0.86(95%CI:0.74-0.99,p<0.01).结论:(1)在本次收集的301例LUAD患者中,~(18)F-FDG PET/CT传统代谢参数在EGFR突变状态和突变亚型的预测中有价值较为有限.(2)在本次收集的301例LUAD患者中,深度学习模型结合~(18)F-FDG PET/CT影像图片在EGFR突变状态和突变亚型的预测中价值较为有限.(3)在本次收集的301例LUAD患者中,机器学习结合~(18)F-FDG PET/CT影像组学特征在EGFR突变状态和突变亚型的预测中有一定价值.(4)在本次收集的301例LUAD患者中,与单一成像模态下影像组学的预测效果相比,~(18)F-FDG PET/CT融合影像组学特征在EGFR突变状态和突变亚型的预测中更好的预测表现.

展开