Development and validation of CT-Based Radiomics Signatures for Overall Survival Prediction in Non-Small Cell Lung Cancer

尽管近年来肺癌治疗取得了一些进展，但患者的五年生存率仅为15%。因此，医学影像学已被用作预测非小细胞肺癌（NSCLC）患者生存率的工具。本研究的目标是通过计算机断层扫描（CT扫描）开发放射学特征签名（传统放射学和深度放射学），以预测NSCLC患者的生存率。我们对The Cancer Imaging Archive（TCIA）中已发布的两个NSCLC数据集（NSCLC-Radiomics和NSCLC-Radiogenomics）进行了回顾性分析。通过特征选择和降维的统计步骤，发现了放射学特征签名。

在初始阶段，我们评估了传统放射学的有效性。研究结果显示，利用传统放射学特征签名的模型在预测NSCLC患者的总体生存率方面表现出相当的潜力。

考虑到从CT扫描中存在一组传统放射学标记用于不同癌症肿瘤生存预测的可能性，我们一直在不断改进和利用这一集合的有效性，以预测不同类型的恶性肿瘤生存率。本研究还涵盖了肾脏、头颈癌等癌症部位。我们将2019年肾脏和肾脏肿瘤分割竞赛（KiTS19）和The Cancer Imaging Archive中的头颈部鳞状细胞癌（HNSCC）数据集添加到我们的研究中。研究结果表明，将传统放射学特征签名和临床因素结合的综合模型，在各种恶性肿瘤的生存预测背景下，比仅依赖于传统放射学特征签名的模型具有更好的预测能力。在Lung 1训练集和Lung 2测试集中，综合模型的iAUC分别为0.621（95% CI: 0.588,0.654）和0.736（95% CI: 0.645,0.819）。头颈部和肾脏验证集的综合模型的iAUC分别为0.732（95% CI: 0.655,0.809）和0.834（95% CI: 0.722,0.946）。

最后，本研究还旨在创建一种深度学习方法，利用临床、深度放射学特征和传统放射学特征来预测NSCLC患者的总体生存。我们采用三维（3D）卷积神经网络（CNN）存活深度神经网络架构提取深度放射学特征，并预测非小细胞肺癌（NSCLC）患者的总体生存。将深度放射学特征与传统放射学特征和临床参数合并。模型的有效性使用一致性指数（C-index）进行评估。我们的研究得出结论，通过深度学习将临床、深度放射学和传统放射学特征整合起来，能够准确预测NSCLC患者的总体生存。综合模型（使用临床、深度放射学和传统放射学等3个参数）应用Deepsurv方法在与其他模型比较时实现了最高的效率（Lung 1训练集C-index为0.733，Lung 2测试集C-index为0.751)