国自然重点项目｜代谢影像组学只能预测肺癌靶向耐药的关键技术与应用｜基金申请·25-01-25
小罗碎碎念
今天和大家分享一个国自然重点项目，项目执行年限为2019.01 - 2023.12，直接费用为294万。
项目聚焦肺癌靶向治疗中药物疗效预测难题，整合多组学与代谢影像数据展开研究。
在研究过程中，团队建立动物模型获取多维数据，揭示多个肿瘤代谢靶点及其作用机制。基于自编码器模型和深度迁移学习框架，开发系列图像算法，构建分析系统，实现对多种疾病的影像分析与诊疗评估。同时，完成大量临床标本采集，开发出智能预测模型，并建立多模态分子影像诊疗手段应用于肺癌治疗。
最终项目取得了丰硕成果，发表161篇SCI论文（15篇IF超10分），出版1部学术专著，获得8项发明专利授权，培养26名硕博研究生，积极开展国际学术交流。成果在影像医学、肿瘤治疗药物研发领域具有广阔应用前景，有望提升肺癌诊疗水平 。
知识星球
如需获取推文中提及的各种资料，欢迎加入我的知识星球！
一、项目概括
1-1：研究背景
分子靶向治疗是肺癌临床标准治疗的重要部分，但精准预测靶向药物疗效是亟待解决的关键问题。
细胞代谢异常可作为靶向药物疗效评价的有效指标，多模态代谢影像联合多维组学数据为靶向药物评价提供了关键切入点。
1-2：研究内容与进展
- 数据获取与靶点揭示：建立肺癌靶向药物和化疗药物干预动物模型，获取肺癌靶向耐药相关代谢影像、代谢组学、基因组学、蛋白组学和临床数据，完成肺癌耐药性评价，揭示多个肿瘤代谢靶点，如LINC01123、AC020978、PKM2等，明确其在肺癌增殖、代谢及耐药中的作用机制。
- 关键技术研究与系统建立：基于自编码器模型和深度迁移学习框架，对高维复杂医学数据进行系统研究，开发一系列图像算法并应用于恶性表型评价，建立CPU协同GPU高性能协同分布式异构计算平台与医学影像云平台集成，完成相关深度学习算法设计开发，构建肺癌代谢影像组学数据分析系统，实现对多种疾病的影像分析、诊断及预后评估。
- 临床评价与诊疗手段开发：完成5000余例非小细胞肺癌临床标本采集和数据收集，开发智能预测肺癌靶向药物疗效模型，为个体化精准诊疗提供决策依据。同时建立多模态分子影像诊疗手段，在体内外应用于肺癌治疗。
1-3：研究成果
- 学术成果：发表SCI收录论文161篇，其中IF超过10分的论文15篇；出版学术专著1部；发表中文核心期刊论文11篇。研究成果涉及肺癌代谢机制、影像技术改进、诊疗手段创新等多个方面，在国际上产生重要影响。
- 知识产权：申请并获得授权发明专利8项，涵盖肿瘤治疗、影像诊断等领域，具有重要的临床应用价值。
- 人才培养：培养硕博研究生共26名，为相关领域输送专业人才。
- 学术交流：主办、主持分子影像与肿瘤代谢相关国际会议10人次，参加国际学术交流50余人次，提升了项目团队在国际上的学术影响力。
二、医学图像合成模型架构
从T1加权和T2加权的磁共振图像生成合成CT图像
- 序列特定编码模块（Sequence - specific encoding module）：图中有两个相同的序列特定编码模块，分别对T1加权和T2加权图像进行处理。每个模块通过多个卷积（conv）、归一化（norm）和ReLU激活函数层，以及平均池化（Average Pooling）操作，逐步提取图像特征。在处理过程中，不同层之间通过箭头连接，展示了特征传递和处理的流程。
- 序列融合模块（Sequence fusion module）：位于两个序列特定编码模块之间，通过SFB（特定的融合块）对来自T1加权和T2加权图像的特征进行融合，以整合不同序列图像的信息。
- 多序列解码模块（Multi - sequence decoding module）：接收来自序列特定编码模块和序列融合模块的特征信息，通过密集块（Dense Block）和上采样层（Upsampling layer）对特征进行逐步恢复和重建，最终经过卷积和Sigmoid激活函数生成合成CT图像（Synthetic CT）。
图中还标注了不同类型的操作和连接方式，如红色箭头表示2×{conv, norm, Relu}操作，绿色箭头表示平均池化，黑色虚线箭头表示特征传递，红色箭头表示密集块和上采样层，蓝色箭头表示密集块，紫色箭头表示卷积和Sigmoid操作。
三、甲状腺结节诊断与结节特征识别
甲状腺结节诊断非常主观，受放射科医生经验水平的影响。因此，团队开发了基于美国放射学会甲状腺影像学报告与数据系统特征的甲状腺结节诊断与结节特征识别人工智能模型（以下简称 MTI - RADS），并比较 MTI - RADS、放射科医师与基于手术组织病理学分析的良恶性状态训练模型的表现。
结果显示，基于超声影像人工智能模型 MTI - RADS，在甲状腺结节、肺结节等的 AUC 和灵敏度高于临床医生。
- 图像预处理（Image preprocessing）：左侧展示了原始医学图像（可能是超声图像）以及经过预处理后的图像，预处理包括图像增强、降噪、分割等操作，目的是为后续的分析提供更清晰、更合适的图像数据。
- 卷积神经网络处理：经过预处理的图像被输入到卷积神经网络中，卷积神经网络通过卷积层、池化层等结构自动提取图像中的特征。
- 全连接网络（Fully connected network）：卷积神经网络提取的特征被传递到全连接网络，全连接网络对这些特征进行进一步处理和整合。
- 输出预测（Output predictions）：右侧列出了最终的输出预测结果，以概率形式呈现，包括良性或恶性（Benign or malignant）、成分（Composition）、回声性（Echogenicity）、形状（Shape）、边界是否光滑或模糊（Smooth/Ill - defined）、边缘是否呈分叶状或不规则（Lobulated or irregular margin）、甲状腺外扩展（Extra - thyroidal extension）、大彗星尾伪影（Large comet - tail artifacts）、粗大钙化（Macrocalcifications）、周边钙化（Peripheral calcifications）、点状强回声灶（Punctate echogenic foci）等，用于辅助医学诊断。
结束语
本期推文的内容就到这里啦，如果需要获取医学AI领域的最新发展动态，请关注小罗的推送！如需进一步深入研究，获取相关资料，欢迎加入我的知识星球！