1. 研究目的与意义
| 一、文献综述与调研报告(阐述课题研究的现状及发展趋势，本课题研究的意义和价值、参考文献) ㈠课题研究的现状及发展趋势 对于中晚期和早期无法手术切除的癌患者，放射治疗（Radiation Therapy, RT）是恶性肿瘤治疗的重要手段之一，尤其随着图像引导近距离放射治疗技术的开展，放射治疗已经成为众多肿瘤公认的首选治疗方案。然而，由于肿瘤异质性的普遍存在，使得不同患者同病同治的疗效千差万别。如果能在放疗前精准地预测患者肿瘤的放射敏感性和放疗后肿瘤的退缩情况，这对于治疗方案的选择以及提高患者的生存率均有着重要的意义。TNM（Tumor Node Metastasis）分期系统虽然能为患者的预后预测提供一定的参考，但是其可靠性随着人们对肿瘤生物学理解的加深，一直饱受诟病[1-2]。肿瘤患者在治疗过程中，从其CT、MRI等常规放射影像学资料中，可以获得肿瘤区域的影像组学（Radiomics）特征。影像组学主要用于描述肿瘤区域的直方图强度、肿瘤形状以及肿瘤纹理等信息；剂量组学主要用于描述计划靶区放射剂量分布信息。已有研究表明，影像组学和患者的治疗预后密切相关[1-3]，如在利用影像组学预测急性脑卒中机械取栓后预后中存在着样本偏倚、未比较其他特征筛选法所建模型的差异的问题[4]；在胰腺癌化疗敏感性及预后的研究中存在着具有主观性的问题[5]；在胃癌不同预后组织学分型预测的研究中存在着特征提取较少的问题[6]在非小细胞肺癌预后分析的研究中存在着无法判断出具体哪些影像组学特征对此预后分析模型的建立起到决定性作用的问题[7]。因此，作为一种非入侵式的生物标记物，影像组学特征在肿瘤癌患者肿瘤异质性的评估和肿瘤放疗预后评估扮演着重要角色。因此，在精准医疗和人工智能的时代背景下，识别可靠的预后生物标志物来进行有效的放疗效果预测，具有重要的实用价值和意义。然而，影像组学数据一般维度高，无法直接用于模型的建立。因此，特征选择算法对于基于影像组学的放疗预后预测来说，非常重要。
㈡本课题研究的意义和价值 影像组学是医学成像分析技术发展的新产物，可以从医学图像中提取并分析大量高级的定量影像学特征，从而量化图像上病变的异质性[8]。影像组学通过大量提取放射学图像中的影像特征，将医学图像转换为数据，然后进行数据分析及模型构建，最终帮助在临床诊治中的决策[9]。影像组学在不同肿瘤治疗中都起到显著作用，在骨肉瘤中，影像组学通过定量分析，可以检测骨肉瘤潜在的、无法用肉眼识别的特征，弥补常规影像分析的不足[10]。在乳腺癌领域，可以利用乳腺MRI影像组学预测乳腺癌肿块对化疗后反应[11]以及预测是否为三阴性乳腺癌。在肺癌领域，影像组学通过对PET-CT图像数据进行深度挖掘，定量分析反映肿瘤内体素强度空间变化和肿瘤异质性的特征参数，获得大量人眼无法察觉的特征信息[12]，有望在临床中更客观、更准确地诊断肺癌。 该课题着重于在现有的特征提取方法中寻找一种更为稳健的筛选体系。 本课题的总体目标是利用人工智能中的相关技术，并基于影像组学设计和研发用于肿瘤放疗预后预测系统的稳健特征选择框架，预测患者在放疗后的病情进展，为精准放疗计划的制订提供技术支持。
㈢参考文献. [1] Lambin P, Rios-VelazquezE, Leijenaar R, et al. Radiomics: extracting more information from medicalimages using advanced feature analysis [J]. Eur J Cancer, 2012,48(4):441-446. [2] Zhang B, Tian J, DongD, et al. Radiomics features of multiparametric MRI as novel prognosticfactors in advanced nasopharyngeal carcinoma[J]. Clin CancerRes,2017,23:4259-4269. [3] Zhuo EH, Zhang WJ, LiHJ, et al. Radiomics on multi -modalities MR sequences can subtype patientswith non–metastatic nasopharyngeal carcinoma (NPC) into distinct survivalsubgroups[J]. Eur Radiol, 2019,29:5590-5599. [4] 郭群,吴含,彭明洋,陈国中,殷信道,孙军.基于DWI的影像组学和机器学习预测急性脑卒中机械取栓后预后[J].磁共振成像,2021,12(10):32-35 48. [5] 刘畅,徐有莉,杨锐,石喻.影像组学评估进展期胰腺癌化疗敏感性及预后[J].中国临床医学影像杂志,2021,32(02):120-124. [6] 陈建,黄海霞,卢超,王霄霄,丁奕,单秀红.CT影像组学预测胃癌不同预后组织学分型的可行性[J].江苏大学学报(医学版),2020,30(04):351-356. [7] 王旭,段辉宏,聂生东.基于CT影像组学的非小细胞肺癌预后分析方法[J].电子学报,2020,48(04):637-642. [8] PhilippeLambin et al. Radiomics: Extracting more information from medical imagesusing advanced feature analysis[J]. European Journal of Cancer, 2012, 48(4) :441-446. [9] GilliesRobert J and Kinahan Paul E and Hricak Hedvig. Radiomics: Images Are Morethan Pictures, They Are Data.[J]. Radiology, 2016, 278(2) : 563-77. [10] 徐丹阳,高振华,孟悛非.骨肉瘤影像组学的研究现状与进展[J].中国CT和MRI杂 志,2022,20(02):181-186. [11] 聂悦,舒健,杨春梅,郭庆喜.基于CT增强图像的影像组学模型评估乳腺癌腋窝淋巴结转移[J].放射学实践,2021,36(04):489-493. [12] 胡玉川,张欣,崔光彬.影像组学在肺癌中的应用研究进展[J].放射学实践,2017,32(12):1239-1241. |
2. 研究内容和问题
㈠基本内容
1.特征提取：指对某一模式的组测量值进行变换，以突出该模式具有代表性特征的一种方法。通过影像分析和变换，以提取所需特征的方法。学习和使用一阶统计特征、2D/3D形状特征、灰度共生矩阵、灰度游程长度矩阵、灰度大小区域矩阵等特征提取方法，利用python提供的机器学习包进行多组学特征提取。
2.特征选择：对于一个特定的学习算法来说，哪一个特征是有效的是未知的。因此，需要从所有特征中选择出对于学习算法有益的相关特征。而且在实际应用中，经常会出现维度灾难问题，尤其是在文本处理中。如果可以从中选择一部分相关特征构建模型，这个问题就可以得到一定程度的解决。通过特征数据的清洗、不平衡处理、PCA等特征筛选、机器学习模型构建，得到处理过的特征生成预测手段和评价指标。
3. 设计方案和技术路线
㈠研究方法
1.阅读文献。
2.收集相关算法资料，实现算法编程。
4. 研究的条件和基础
1. 南通大学图书馆提供丰富的文献资源，可以查找到相关文献；
2. 生物信息学教研室机房提供了一个良好的学习和实验研究环境；
3. 有Python等程序实现工具的使用环境以及相关使用说明。以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
