[发明专利]一种肺腺癌浸润性影像组学分类模型的构建方法

说明书

本发明公开了一种肺腺癌浸润性影像组学分类模型的构建方法，以不同分辨率下多组胸部CT影像为对象，通过胸部CT肺结节检测分割系统自动检测和分割胸部CT影像中的肺结节病灶，根据病理活检结果获取每个肺结节的细胞学类型，进而得到浸润性分类的真实标签；使用开源的Pyradiomics软件库自动提取分割结果中每个所述肺结节病灶设定所需提取数目的影像组学特征，结合每个肺结节的浸润性真实标签，组成一个训练数据集；针对每个分辨率的CT影像，以训练数据集中的肺结节影像组学特征作为输入，基于病理诊断结果的肺结节浸润性作为真实标签，分别训练一套浸润性分类预测模型。本发明构建方法得到了一系列最优模型，保证了模型在不同分辨率CT上的泛化性能。

技术领域

本发明属于医疗数据处理技术领域，尤其涉及一种肺腺癌浸润性影像组学分类模型的构建方法。

背景技术

早期肿瘤的浸润性鉴别诊断是术前评估的关键，决定着后续的临床处理方式。比如，病理证实的浸润性早期肺腺癌预后差，需行肺叶全切术；而非浸润性早期肺腺癌(包括不典型腺瘤样增生、原位癌和微浸润癌)预后较好，可以进行观察或肺叶部分切除术。然而，当前的病理诊断需借助侵入性的操作获取病灶组织，这些操作包括穿刺、胸腔镜手术和开胸手术，最终的病理结果可能证明这些侵入性操作是不必要的。CT是一种非侵入性的成像技术，可以高清显示器官和病灶的细节纹理，结合机器学习技术可以实现无创的病灶浸润性分类。早期肺腺癌在CT上表现为磨玻璃肺结节，通过对CT上磨玻璃肺结节的纹理分析和建模，就有望实现基于图像的无创肺腺癌浸润性分类/辅助诊断。

影像组学以大量影像数据为基础，结合病理和预后等临床数据可实现无创肿瘤表征，有望辅助患者分层、治疗决策和疗效预测。近年来，组学的方法得到越来越多的关注，其使用大量的自动特征提取算法将影像数据转换成高维可采集特征空间(Aerts,H.,Velazquez,E.,Leijenaar,R.et al.Decoding tumour phenotype by noninvasiveimaging using a quantitative radiomics approach.Nat Commun 5,4006(2014).https://doi.org/10.1038/ncomms5006)。Fan L et.al使用组学方法鉴别表现为磨玻璃肺结节的浸润性肺腺癌和非浸润性病灶，组学特征模型(radiomics signature)的诊断准确性优于影像形态学特征和其它定量参数(Fan,L.,Fang,M.,Li,Z.et al.Radiomicssignature:a biomarker for the preoperative discrimination of lung invasiveadenocarcinoma manifesting as a ground-glass nodule.Eur Radiol 29,889–897(2019).https://doi.org/10.1007/s00330-018-5530-z)。

然而，影像组学模型泛化性能往往不高，这阻碍了影像组学走向临床应用。采集参数是影像组学泛化性中的关键影响因素之一，比如扫描分辨率、重建层厚和重建卷积核，这些采集参数在临床和研究中都存在较大异质性。具体的，如果建模使用的CT数据的采集参数相对固定，来源单一，比如都是利用某种CT扫描仪按照固定的层厚和分辨率扫描或重建得到的数据，那么该模型在其他CT扫描仪按不同层厚重建后所得数据很难拥有好的表现。

此外，现有方法构建的影像组学模型鲁棒性差并且不是全自动。首先，现有的影像组学模型大都是在采集参数单一的数据集上搭建出来的，而临床上的采集参数变异度又很大，模型的泛化性能就有比较大的限制；其次，影像组学的搭建需要病灶的轮廓，现有的方法都是依赖人工标注，成本高昂，能获取的数据量有限，在此基础上建立的模型精度自然不高。

发明内容

本发明的目的在于利用同一患者的多分辨率CT图像构建一个适用于不同分辨率和重建的鲁棒性好、预测精度高、无创的肺腺癌浸润性影像组学分类模型，解决现有病理诊断依赖有创操作、现有影像组学模型泛化性能差、精度和稳定性达不到进入临床使用水平的问题。