[发明专利]一种基于机器学习的双模态影像组学磨玻璃结节分类方法

说明书

本发明属于医疗技术领域，其公开了一种基于机器学习的双模态影像组学磨玻璃结节分类方法，包括以下步骤：步骤一、病例资料收集：收集因可疑肺磨玻璃结节(GGN)而接受¹⁸F‑FDG PET/CT检查的患者；步骤二、图像采集重建：采用PET/CT显像仪进行图像采集；步骤三、图像特征提取；步骤四、数据处理分析。本发明，其应用机器学习的方法构建基于PET图像联合HRCT图像的影像组学模型，用于对GGN进行分类，包括浸润前病变、微浸润腺癌、浸润性腺癌和良性病变，经验证和测试，该方法鲁棒性好，准确性高且简单可行，该方法整合了病灶的分子水平的功能代谢信息和物理解剖信息，有效提高了传统CT参数及单一CT影像组学的预测效能，有助于GGN的临床管理。

技术领域

本发明涉及医疗技术领域，更具体地说，它涉及一种基于机器学习的双模态影像组学磨玻璃结节分类方法。

背景技术

肺癌是全球癌症相关死亡的主要原因，尤其在中国，肺癌的发病率迅速增长，预计2015年至2030年中国肺癌死亡率将增加约40％。早期识别和个体化管理是改善肺癌患者预后的关键。随着许多无症状肺结节检出的显著增加及中国肺癌流行病学趋势的改变，磨玻璃结节(GGN)的诊断和鉴别诊断已成为临床医生面临的巨大挑战。HRCT是公认的鉴别GGN的常规方法，但由于良恶性GGN的放射学特征存在一定重叠且易受主观因素的影响，鉴别效能有待提高。病理学检查为病灶确诊的金标准，但GGN的细胞成分偏少，对穿刺技术要求高，难度大，支气管镜及经皮肺穿刺技术在GGN的应用价值有限。

影像组学是一种具有发展前景且非常热门的诊断方法，通过借助数学和统计学的方法，高通量的从感兴趣区的影像数据中提取有特征性的空间数据，捕获可能被肉眼忽略的有价值的病灶信息，来提高疾病诊断的准确性，具有实时、客观、无创等优势。先前的研究已显示CT纹理特征在肺癌的鉴别、预测肿瘤生长、基因表达及疗效评估等方面具有重要意义。但这些研究多是基于肺实性结节，在GGN的应用报道较少。Digumarthy等对108个GGN的良恶性鉴别研究发现仅有2/92的CT影像组学特征可用于模型预测，AUC为0.624，诊断效能仍需提高。因此，我们期待一种无创、客观且准确性高的图像分析方法对GGN进行分类。

PET/CT显像作为在宏观上反映肿瘤异质性的无创性双模态显像，在肺癌领域的应用已得到认可。前期研究也发现PET代谢参数有助于GGN的鉴别，标准化摄取值(SUV)是预测GGN良恶性的独立相关因素，二者为非线性关系。开发一种PET+HRCT双模态影像组学分析方法有望提高对GGN的具体分类。另外，对传统影像组学特征降维的方法多采用LASSO回归，它主要是基于线性模型，并没有考虑非线性因素。机器学习是对能通过经验自动改进的计算机算法的研究，这是传统特征获取方法难以达到的，近年来机器学习显著推动了医学领域的发展。

为此，提出一种基于机器学习的双模态影像组学磨玻璃结节分类方法。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于机器学习的双模态影像组学磨玻璃结节分类方法，其应用机器学习的方法构建基于PET图像联合HRCT图像的影像组学模型，用于对GGN进行分类，包括浸润前病变、微浸润腺癌、浸润性腺癌和良性病变，经验证和测试，该方法鲁棒性好，准确性高且简单可行，该方法整合了病灶的分子水平的功能代谢信息和物理解剖信息，有效提高了传统CT参数及单一CT影像组学的预测效能，有助于GGN的临床管理，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供了如下技术方案：

一种基于机器学习的双模态影像组学磨玻璃结节分类方法，包括以下步骤：

步骤一、病例资料收集：收集因可疑肺GGN而接受¹⁸F-FDG PET/CT检查的患者；

步骤二、图像采集重建：采用PET/CT显像仪进行图像采集；