Page 299 - 《软件学报》2021年第12期

邓成龙 等:基于随机森林的宫颈鳞癌放化疗疗效预测 3963

受放化疗后的远期治疗效果分为完全缓解组与不完全缓解组.
本文首先介绍宫颈癌相关背景.第 1 节列出已存关于宫颈癌的相关工作.第 2 节列出已存工作不足之处及
本文研究重点.第 3 节介绍本文提出的预测模型并详细阐述该模型下各步骤的实现细节.第 4 节列出对比实验
结果并分析.第 5 节总结全文.

1 相关工作

基于 MRI 进行宫颈癌放化疗疗效预测相关研究主要分 3 个研究方向.
第一,通过 MRI 的定量参数对宫颈癌放化疗疗效进行预测.如:文献[15]计算并比较动态增强磁共振功能成
像(dynamic contrast enhancement magnetic resonance imaging,简称 DCE-MRI)的定量参数 K trans , k ep ,v e 在肿瘤以
及正常臀肌的值,论证 DCE-MRI 的定量参数可以对早期放化疗疗效进行评估;文献[16]测量患者放化疗前后
DCE-MRI 的定量参数 K trans ,k ep ,v e 的平均值,并与治疗后肿瘤缩小率进行 Spearman 相关性分析,实现对宫颈癌患
者放化疗疗效预测;
第二,基于 MR 图像提取宫颈癌的形态学及纹理等特征,并利用传统机器学习算法预测放化疗疗效.如:文献
[17]首先通过影像医师手动勾画宫颈癌病灶区域提取纹理特征,然后利用 LASSO-Logistic 回归分析,建立宫颈
癌治疗敏感性预测模型;
第三,计算成像方式的参数值,预测宫颈癌放化疗疗效.如:文献[18]基于国内外的大数据库,如 MEDLINE,
Science Citation Index database 以及中国生物医学数据库等已发表的研究,利用 STATA 12.0 统计软件进行分析,
发现扩散加权磁共振成像(diffusion-weighted magnetic resonance imaging,简称 DWI)的表面弥散系数(apparent
diffusion coefficient,简称 ADC)值可以预测宫颈癌放化疗疗效;文献[19]除了研究 ADC 值在预测宫颈癌患者接
受放化疗治疗反应外,还分析了不同 b 值对治疗反应的评估结果;文献[20]证明 DWI 预测及早期评估宫颈癌患
者放化疗效果有帮助,但对局部无病生存的判断能力有限;文献[21]研究了 3.0T MRI 及 DWI 在宫颈癌放化疗治
疗过程中的监测作用;文献[22−25]在临床上分别获取宫颈癌患者接受放化疗前及放化疗后的 DWI,计算 DWI
的 ADC 值,验证 ADC 值与宫颈癌放化疗后肿瘤反应的关系;文献[26]利用 ADC 值评估放射治疗后宫颈癌细胞
是否残存;文献[27]通过 ADC 值预测局部晚期宫颈癌患者放化疗后的生存期;文献[28]通过获取 251 例宫颈癌
IB2~ IVA 期宫颈癌患者在同步放化疗前和疗后 6 周的 18F-FDG PET/CT,计算该图像的参数 SUVmax 和
SUVmean 值,验证 18F-FDG PET/CT 可以预测放化疗疗效;文献[29]研究了 PET 能预测宫颈癌局部晚期患者接
受标准放化疗后肿瘤反映和患者存活率,方法是通过获取疗前 PET 图像和每周 6 次的顺铂化疗和大规模放疗
后 PET 图像,计算标准摄取值(SUV)和治疗前后 SUVmax 的比值;文献[30]在宫颈癌患者 MR 图像的冠状面、矢
状面及水平面分别分割肿瘤区域,提取其形状及纹理特征并输入分类器,得到宫颈癌放化疗疗效预测结果.

2 先前工作不足之处及本文研究重点

MRI 技术在评估放化疗后肿瘤大小方面敏感性较高,但大量文献通过计算弥散加权 MR 图像(DWI)中肿瘤
区域的 ADC 来预测宫颈癌放化疗疗效.此外,还有利用 DCE-MRI 的定量参数以及 PET 图像的 SUV 值预测疗
效.这两种方法除需大量人力,如计算肿瘤面积、肿瘤消退率等,还可能出现计算误差,如计算 ADC 值等.
对于文献[17]提出利用机器学习方法预测放化疗疗效,该方法可以有效地减少人力投入.但宫颈癌数据集
相对其他数据集是极小的.而该方法只提取肿瘤纹理特征,并用较为传统的方法进行分析,可能造成预测准确率
低下.文献[30]提取的肿瘤区域特征数量较少,精度不够,并且提取特征后没有对特征进行筛选,可能最终影响分
类性能.
因此,本文根据上述问题提出基于随机森林算法预测放化疗疗效.为得到准确预测结果,本文利用 U-net 模
型准确分割 MR 图像肿瘤区域,并提取肿瘤区域的形状、大小及纹理等特征,采用小数据集下分类性能优异的
随机森林算法预测放化疗疗效.