基于DCE-MRI影像反卷积模型的肿瘤异质性分析及其在乳腺癌分子分型预测中的应用

作     者：刘伟芬 

作者单位：杭州电子科技大学 

学位级别：硕士

导师姓名：厉力华;范明

授予年度：2021年

学科分类：1002[医学-临床医学] 100214[医学-肿瘤学] 10[医学] 

主      题：乳腺癌 异质性 分子分型 机器学习 DCE-MRI分解 信号模式 

摘      要：乳腺癌具有高发病率和高死亡率,严重危害着女性的生命健康。临床上采取免疫组化方法,将乳腺癌分为四种分子分型,不同分子分型的乳腺癌在临床表现上存在着巨大差异,分子分型有望成为今后制订个体化治疗方案的依据。然而乳腺癌具有高度异质性,影响分子分型的准确标定。动态增强磁共振影像（dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI）不仅能获得病变的形态学信息,而且能反映组织血管通透性及局部区域血流灌注等异质性微观信息,可应用于分子分型预测研究。本研究以房室动力学模型为基础,将DCE-MRI影像信号抽象为多个房室药代动力信号的加权混合,利用CAM反卷积模型从乳腺癌患者群体DCE-MRI影像中分解出潜在信号模式,依据不同患者信号模式表达情况的差异,进行分子分型预测研究。本文具体研究内容包括:（1）临床病理信息与影像数据的处理与分析。回顾性分析205例乳腺癌恶性肿瘤患者病理,收集其临床病例信息与DCE-MRI影像数据,对包括患者年龄、绝经情况、肿瘤类型、肿瘤最大径在内的基本临床信息,采用方差分析、卡方检验、费希尔精确检验等统计检验方法分析其与乳腺癌患者分子分型的关联性。使用计算机半自动化方法分割肿瘤、腺体作为感兴趣区域（region of interest,ROI）,并为后续影像分解作预处理。（2）基于CAM反卷积模型的肿瘤信号模式分解研究。为探究乳腺癌内部的血流异质性,提高乳腺癌分子分型预测性能,从影像信号分解的理论基础动力学房室模型出发,在传统矩阵分解方法失效的情况下,利用CAM反卷积模型结合双三次插值（bicubic interpolation）,对乳腺癌患者肿瘤以及周围腺体的整体矩阵进行DCE-MRI影像信号分解,寻找其中隐含的信号模式,使用最小描述长度（minimum description length,MDL）准则作为评价指标,评估寻找最优信号模式数量,并就信号模式与分子分型进行初步关联性研究。最后使用非负约束最小二乘法（nonnegative constrained least-squares,NNLS）在统一信号模式下获得各个病例对应信号模式的概率矩阵,并恢复图像。（3）基于CAM反卷积模型的影像分解特征与分子分型关联研究。分解所得概率矩阵是不同信号模式表达情况的定量体现,隐含肿瘤异质性信息,以灰度共生矩阵（gray-level co-occurrence matrix,GLCM）原理构建并实现了一种新的基于影像分解的信号模式共生矩阵算法,利用概率矩阵提取统计特征及纹理特征。通过单特征、多特征方式构建乳腺癌分子分型预测模型,评估分解的信号模式与分子分型的关联性,并以传统未分解影像模型作比较。单特征分析采用支持向量机（support vector machine,SVM）模型对提取的特征逐个评价,并通过统计学方法探究不同信号模式数量的单特征与分子分型的关联性。多特征分析通过皮尔逊相关性降维法去冗余,采用支持向量机递归特征消除（SVM-recursive feature elimination,SVM-RFE）对特征重要性进行排序,网格搜索法结合十折交叉验证确定模型的最优超参数,筛选最优特征子集,建立基于不同信号模式数量的多特征预测模型。以AUC评估模型的预测性能,并利用Bootstrap方法计算AUC的95%置信区间。（4）基于集成学习多区域模型特征融合的乳腺癌分子分型预测研究。为全面探究肿瘤与周围腺体之间的相互作用,采用集成学习方法包括平均法、加权法、投票法、stacking学习法,联合肿瘤、腺体、肿瘤与腺体之间模型进行分子分型预测研究。实验结果显示,CAM反卷积分解K=4时的肿瘤模型取得分子分型Luminal A、Luminal B、Basal-like和HER-2最优AUC分别为0.708、0.651、0.646、0.768,K=4时概率加权法融合肿瘤、腺体、肿瘤与腺体之间模型取得分子分型最优AUC分别为0.774、0.701、0.658、0.804。结果表明,通过CAM反卷积模型从乳腺癌患者群体DCE-MRI影像中分解出的潜在信号模式特征具有一定的分子分型预测性能,且联合肿瘤、腺体、肿瘤与腺体之间的多区域模型有利于提高乳腺癌分子分型预测性能。