基于深度学习挖掘PETCT信息预测肺腺癌EGFR突变状态.pdfVIP

摘要

肺癌位居全球癌症发病率首位，并持续成为癌症相关死亡的主要原因。非小

细胞肺癌（Non-SmallCellLungCancer，NSCLC）占肺癌病例的80%至85%，其

中肺腺癌是最常见的组织学亚型。靶向治疗是癌症治疗的重要手段，在NSCLC中，

表皮生长因子受体酪氨酸激酶抑制剂（EpidermalGrowthFactorReceptor-Ty

rosineKinaseInhibitor，EGFR-TKI）和免疫检查点抑制剂（ImmuneCheckpo

intInhibitor，ICI）的疗效因EGFR突变状态而异。因此，准确预测EGFR突变

状态对于制定肺腺癌患者的个性化治疗方案至关重要。然而，目前临床用于鉴定

EGFR突变状态的方法存在风险高、耗时长、成本昂贵等问题，且可能对患者造

成额外伤害。

基于此，本研究致力于利用深度学习技术，开发一种能够精准预测肺腺癌患

者EGFR突变状态的方法，旨在为临床决策提供更为精确、高效的辅助，从而优

化患者的治疗路径。主要研究内容如下：

（1）本研究采用了一种基于不确定性驱动的对比学习自蒸馏框架

（Uncertainty-drivencontrastivelearning-basedself-distillation

framework,UDCD），该框架通过调控对比知识与监督知识在知识蒸馏过程中的传

递，确保仅传递相关且有价值的信息，实现精细粒度的知识迁移。通过引入置信

水平控制机制，UDCD框架能够精确筛选可转移的对比知识和教师监督知识，进

而在内部一致性和相互关系约束下，提升图像分类任务的性能。框架核心采用基

于Transformer的端到端多模态分类网络（Transformer-basedMultimodal

Classificationnetwork,TMC），有效整合PET/CT图像与临床数据等多模态信

息。实验结果表明，UDCD-TMC框架在医学图像分类任务中表现优异，内部和外

部测试集的AUC分别达到0.82和0.72，验证了其在知识蒸馏和多模态融合方面

的有效性。

（2）本研究采用一种基于分割辅助分类网络（Segmentation-Assisted

ClassificationModel,SACM）的肺腺癌EGFR突变状态预测方法。针对医学研

究发现EGFR突变状态不仅与肿瘤内部特征相关，还显著受全肺特征影响的特点，

SACM创新性地融合硬共享分割网络与级联分类网络，利用了肿瘤局部特征和全

肺全局特征。该方法在避免测试阶段人工肿瘤分割的同时，通过域泛化模块和基

于约束Bézier变换的数据增强策略，显著提升了模型泛化能力。实验结果表明，

SACM在内部和外部测试集上分别达到0.87和0.78的准确率，显著优于仅关注

肿瘤区域的模型，验证了全肺特征对EGFR突变预测的重要价值。

关键词：肺腺癌EGFR域泛化PET/CT

Abstract

Lungcancerranksasthemostprevalentmalignancyworldwideand

remainstheleadingcauseofcancer-relatedmortality.Non-SmallCell

LungCancer(NSCLC)accountsfor80-85%ofalllungcancercases,

withlungadenocarcinomabeingthemostcommonhistologicalsubtype.

Targetedtherapyrepresentsacrucialapproachincancertreatment,where

theefficacyofEpidermalGrowthFactorReceptor-TyrosineKinase

Inhibitors(EGFR-TKIs)andImmuneCheckpointInhibitors(ICIs)in

NS