基于深度学习的非小细胞肺癌耐药性研究

非小细胞肺癌(NSCLC)是一种最常见的肺部癌症，临床上主要通过分子靶向药物进行治疗。随着时间的推移，NSCLC患者很容易对药物产生不同类型的耐药性，增加了临床治疗的难度。为了捕捉肿瘤不同时间点的生物学特性来预测患者的耐药性类型，本文提出了一种基于卷积神经网络(CNN)和循环神经网络(RNN)的深度学习模型，CNN用于提取不同时间点的肿瘤图像特征，并将这些特征输入到RNN中做进一步的纵向分析。168例NSCLC患者数据按3:1的比例划分为训练组和测试组，结合迁移学习完成模型构建。经检验，模型在测试集上的预测精度为79.16%，表明了将本方法用于预测NSCLC患者的耐药性类型具有一定的可行性。

肺癌是一种常见的恶性肿瘤，2015 年中国肺癌新发病例73.3 万，死亡病例61.0 万，发病率和死亡率均居恶性肿瘤首位[1]。其中，约85%的肺癌是非小细胞肺癌(Non-small cell lung cancer, NSCLC)，大部分NSCLC 患者确诊时即为晚期。在临床上NSCLC 多使用分子靶向药物进行治疗，EGFR-TKI 作为一种分子靶向药物， 具有疗效显著且安全性良好等优点， 因而常被用作为晚期NSCLS 患者的标准治疗方案[2]。

大部分患者在接受药物治疗后会出现肿瘤消退的现象，且其中绝大多数会在一年时间左右对EGFR-TKI产生获得性耐药[3] [4]。2010 年美国的Jackman 等[5]提出了EGFR-TKI 获得性耐药的临床定义，该定义的核心是患者使用EGFR-TKI 取得完全缓解或部分缓解后出现耐药进展的患者，我国的Yang 等[6]根据不同的耐药发生情况进一步将耐药类别分为三类：缓慢进展、局部进展和爆发进展。临床上通常采用不同的治疗策略来应对不同的耐药情况，例如，如果一个患者的耐药进展是爆发性的，则必须更换治疗药物，相反，则可以继续延用原来的治疗方案。因此，为帮助医生制定合理的治疗方案，提高临床治疗的精准性和有效性，NSCLC 患者耐药性类型的预测研究受到很多学者的关注。

近年来，人工智能(Artificial intelligence, AI)在医学图像中的应用引起了学术界的广泛关注，深度学习(Deep Learning)作为一种新兴的人工智能技术，已经在自动驾驶、人脸识别、医疗卫生等多个领域得到了成功的应用。传统的机器学习算法需要人为地设计特征提取这一过程，这一过程往往会耗费大量的时间成本，而深度学习能够自动地提取图像的特征[7]，并且在图像识别、目标检测等领域的表现已经超过了许多传统的机器学习算法。卷积神经网络(Convolutional Neural Network, CNN)是一种在计算机视觉领域使用得最广泛的深度学习模型，它能够自动提取图像的不同层次特征并学习到大量复杂数据中的非线性关系。

许多研究表明， 经过大量自然图像训练的CNN 可以通过迁移学习的方式应用于医学图像识别任务中，并能取得良好的效果[8]。

在医学图像分析领域，多数研究都集中在单个时间点上[9]，即只考虑了数据的横向关系，而没有考虑数据的纵向关系。然而，肿瘤是一种动态生物学系统，意味着它会随着时间而变化，可能无法在单个