76、前列腺癌分级与T分期分类及乳腺癌激素受体状态自动判定研究

前列腺癌分级与T分期分类及乳腺癌激素受体状态自动判定研究

前列腺癌分级与T分期分类

在前列腺癌研究中，通过改进的非侵入性组织弹性参数重建框架，利用CT图像恢复前列腺弹性参数，并研究其与前列腺癌T分期和格里森评分的相关性，以实现癌症T分期和分级的多类分类。

• 分类准确性
  • T分期分类 ：使用多项式逻辑回归对癌症T分期进行分类时，基于恢复的弹性参数和患者年龄信息，准确率高达84%；使用序数逻辑回归时，准确率为82%。
  • 格里森评分分类 ：多项式逻辑回归在分类格里森评分时，准确率可达77%；序数逻辑回归的准确率为70%。
• 误差分析
  • 在癌症分期分类的16%失败案例中，使用年龄特征的多项式分类结果有15%仅与真实分期相差1期。
  • 在评分分类的失败案例中，分类的格里森评分有10%与真实值相差1分，13%相差2分。

以下是前列腺癌分类相关数据的表格：
| 分类方法 | T分期分类准确率 | 格里森评分分类准确率 |
| ---- | ---- | ---- |
| 多项式逻辑回归 | 84% | 77% |
| 序数逻辑回归 | 82% | 70% |

mermaid流程图展示前列腺癌分类流程：

graph LR
    A[获取CT图像] --> B[恢复弹性参数]
    B --> C[结合患者年龄信息]
    C --> D{选择分类方法}
    D -->|多项式逻辑回归| E[T分期分类]
    D -->|多项式逻辑回归| F[格里森评分分类]
    D -->|序数逻辑回归| G[T分期分类]
    D -->|序数逻辑回归| H[格里森评分分类]
    E --> I[得出分类结果]
    F --> I
    G --> I
    H --> I

乳腺癌激素受体状态自动判定

乳腺癌是女性中发病率最高的癌症，其临床和病理特征差异较大，这些特征在治疗规划和预测生存率或治疗结果时都需考虑。热成像技术作为一种无辐射、非接触的乳腺成像方法，近年来因高分辨率热成像相机的出现而被重新研究。由于乳腺癌和激素受体状态会影响热成像图像，因此尝试通过非侵入性热成像在手术前估计激素受体状态。

• 激素受体状态对热成像的影响
  • 肿瘤标志物的作用 ：雌激素受体（ER）、孕激素受体（PR）、人表皮生长因子受体2（HER2）和肿瘤细胞生长蛋白标志物Ki67等肿瘤标志物常用于治疗规划和生存率预测。其中，ER状态最为重要，ER+肿瘤风险低于ER−肿瘤；PR状态重要性次之，PR+肿瘤风险低于PR−肿瘤；HER2状态的风险因癌症阶段和激素受体亚型而异。
  • 温度变化 ：雌激素和孕激素会导致一氧化氮产生，引起血管扩张和温度升高。研究发现，PR−肿瘤的肿瘤部位平均和最高温度高于PR+肿瘤，ER状态也有类似但不显著的模式。更具侵袭性的ER−/PR−肿瘤比ER+/PR+肿瘤更热，且ER−肿瘤的肿瘤与对侧镜像部位的平均温度差异更大。
• 自动特征提取
  • 异常区域提取 ：将整个感兴趣区域（ROI）根据区域温度分为异常区域和正常区域。恶性肿瘤区域通常是温度升高的异常区域，使用特定算法结合多个特征进行分割。
    • (T1 = Mode(ROI) + ρ ∗(Tmax - Mode(ROI)))
    • (T2 = Tmax - τ)
      其中，(Tmax)是所有视图中的总体最高温度，(Mode(ROI))是所有视图ROI像素温度值的温度直方图的众数。参数(ρ)、(τ)和决策融合规则根据训练/交叉验证子集的分类准确性和分割决策的多样性进行选择。
  • 特征提取
    • 区域间距离 ：使用归一化温度直方图（概率质量函数，PMF）表示每个区域，通过Jensen - Shannon散度（JSD）衡量区域间距离。对于HR−肿瘤，由于对侧可能没有异常区域，JSD值会更高。
    • 相对于镜像部位的热度 ：使用恶性侧异常区域像素温度与对侧异常区域平均温度的均方距离来衡量。HR+肿瘤的该值低于HR−肿瘤。
    • 热分布比率 ：使用对侧异常区域面积与恶性侧异常区域面积的比率作为特征。HR−肿瘤该值趋于零，HR+肿瘤该值较高。
  • 整个ROI特征 ：使用纹理特征从整个ROI中提取特征，但使用经过修改的温度图，即恶性侧ROI减去对侧平均温度得到的相对温度图来确定纹理特征。

以下是乳腺癌激素受体状态特征提取的步骤列表：
1. 进行异常区域提取，根据区域温度分割异常和正常区域。
2. 计算区域间距离，使用JSD衡量。
3. 计算相对于镜像部位的热度，用均方距离表示。
4. 计算热分布比率，即对侧与恶性侧异常区域面积比。
5. 提取整个ROI的纹理特征，使用修改后的温度图。

mermaid流程图展示乳腺癌激素受体状态特征提取流程：

graph LR
    A[获取热成像图像] --> B[确定ROI]
    B --> C[异常区域提取]
    C --> D[计算区域间距离]
    C --> E[计算相对于镜像部位的热度]
    C --> F[计算热分布比率]
    B --> G[修改温度图]
    G --> H[提取整个ROI纹理特征]
    D --> I[特征汇总]
    E --> I
    F --> I
    H --> I

前列腺癌分级与T分期分类及乳腺癌激素受体状态自动判定研究（续）

前列腺癌研究的未来展望

当前前列腺癌的研究是基于来自同一家医院的29名前列腺癌患者的113组图像进行的。为了进一步提升研究效果，未来可以从以下几个方面展开工作：
- 增加数据量 ：收集更多来自多个机构的患者图像数据，这样能够提供更丰富的训练数据，从而进一步提高分类结果的准确性，并检验和验证其在癌症诊断中的分类能力。有了更多的数据，还可以应用所学模型进行癌症分期/评分预测。
- 纳入更多特征 ：除了现有的弹性参数和患者年龄信息，还可以将其他特征，如前列腺的体积等纳入到更大规模的研究中。
- 扩大研究对象范围 ：对正常受试者进行相同的研究，增加来自不同地区患者的多样性。大规模研究能够进行更全面的分析，深入了解人口统计学和医院实践差异对研究结果的影响。
- 拓展图像模态和癌症类型 ：可以使用其他图像模态，如磁共振成像（MR）和超声，进行类似的分析和推导，并验证其是否适用于其他类型的癌症。

以下是前列腺癌研究未来工作的操作步骤列表：
1. 与多个机构合作，收集更多患者的图像数据。
2. 在模型中加入前列腺体积等新的特征进行训练和验证。
3. 选取正常受试者进行相同的研究流程，对比分析结果。
4. 尝试使用MR和超声等图像模态对前列腺癌及其他癌症进行研究。

mermaid流程图展示前列腺癌研究未来工作流程：

graph LR
    A[收集多机构患者图像数据] --> B[扩大训练数据集]
    B --> C[应用模型进行分期/评分预测]
    D[纳入前列腺体积等特征] --> B
    E[研究正常受试者] --> F[对比分析结果]
    G[使用MR和超声等模态] --> H[研究其他癌症类型]
    C --> I[综合分析研究结果]
    F --> I
    H --> I

乳腺癌研究的总结与思考

通过自动从热成像图像中提取特征，并使用机器学习技术对乳腺癌激素受体状态进行分类，在包含56名乳腺癌患者的数据集上，对HR+和HR−肿瘤的分类准确率分别达到了82%和79%，这展示了自动热成像分类在乳腺癌预后中的新颖应用。

然而，研究也存在一些局限性和需要进一步探讨的地方。例如，虽然通过设计的特征能够在一定程度上区分激素受体阳性和阴性肿瘤，但仍存在像图1c和d所示的异常情况，即部分HR+肿瘤可能没有双侧热响应，部分HR−肿瘤可能有一定的对称热响应。这可能是由于个体差异、肿瘤的复杂性或其他未知因素导致的。

未来的研究可以从以下几个方面进行改进：
- 优化特征提取方法 ：进一步研究和改进特征提取算法，以更准确地捕捉激素受体状态与热成像图像之间的关系，减少异常情况的影响。
- 增加样本量 ：扩大数据集，包含更多不同特征的患者，提高模型的泛化能力。
- 结合其他特征 ：除了热成像图像特征，还可以结合患者的临床信息、基因数据等其他特征，进行更全面的分析和分类。

以下是乳腺癌研究未来改进方向的操作步骤列表：
1. 对现有的特征提取算法进行优化，通过实验不断调整参数和方法。
2. 与更多医疗机构合作，收集更多乳腺癌患者的热成像图像和相关信息，扩充数据集。
3. 整合患者的临床信息（如年龄、病史等）和基因数据，与热成像特征一起输入到分类模型中进行训练和验证。

mermaid流程图展示乳腺癌研究未来改进流程：

graph LR
    A[优化特征提取算法] --> B[提高特征准确性]
    C[增加样本量] --> D[提升模型泛化能力]
    E[结合临床和基因信息] --> F[构建综合特征集]
    B --> G[改进分类模型]
    D --> G
    F --> G
    G --> H[得出更准确分类结果]

综上所述，前列腺癌分级与T分期分类以及乳腺癌激素受体状态自动判定的研究都取得了一定的成果，但也都有进一步提升和拓展的空间。未来的研究需要不断探索和创新，以更好地服务于癌症的诊断和治疗。