第一部分CT影像组学在预测非小细胞肺癌PD-L1表达中的价值　　目的探讨肿瘤CT影像组学特征在预测非小细胞肺癌程序性死亡配体1(PD-L1)表达中的应用价值。　　方法回顾性分析2018年6月～2021年1月在江南大学附属医院行肺部CT扫描及PD-L1免疫组化检查的318例非小细胞肺癌患者的I临床病理及影像资料。按2∶1的比例随机分为训练集(212例)和验证集(106例)，以肺肿瘤穿刺或手术后病理结果为金标准，肿瘤细胞PD-L1表达率≥1％为阳性，PD-L1表达率＜l％为阴性。训练集中PD-L1表达阳性110例，阴性102例;验证集中PD-L1表达阳性54例，阴性52例。利用ITK-SNAP软件在肿瘤最大横截面肺窗CT图像上，由两位分别具有5年和1O年肺部影像诊断经验的医师独立地沿肿瘤边缘勾画2D感兴趣区(ROI)，其中具有10年诊断经验的医师在间隔一周后重复勾画，并对两者提取的特征进行组间和组内相关系数(ICC)的一致性检验。通过基于Python语言开发的Pyradiomics软件包提取肿瘤ROI的影像组学特征一共464个，包括四大类:①形态学特征;②一阶灰度直方图特征;③二阶和高阶纹理特征;④基于小波变换的特征。通过最小绝对收缩和选择算子(LASSo)回归对提取的影像组学特征进行筛选降维，采用十折交叉验证选择最优特征子集，并进行logistic回归得到每个患者的影像组学标签(Radscore)。进一步结合临床病理特征采用多因素logistic回归分析构建肺癌PD-L1表达的预测模型，以具有可视化和可解释性的列线图显示。用受试者操作特征(ROC)曲线计算预测模型的曲线下面积(AUC)、灵敏度、特异度、准确率。并与人工神经网络(ANN)和支持向量机(SVM)机器学习方法对肺癌PD-L1表达的预测能力进行对比。最后通过比较列线图模型预测结果与实际临床观察结果，得到校准曲线和临床决策曲线。　　结果两位医师提取肿瘤影像组学特征的组间和组内一致性好，ICC值分别为0.86和0.88;以具有1O年诊断经验的医师第一次提取的特征作为记录结果。在训练集212例患者中，最后选择11个最优影像组学特征，包括原始图形状特征2个，小波一阶特征5个，小波纹理特征4个:以此建立的影像组学标签预测肺癌PD-L1表达，产生AUC0.737、灵敏度74.3％、特异度62.7％、准确率68.9％。在临床病理因素方面，临床分期、病理组织类型和癌细胞分化程度与肿瘤的PD-L1表达相关，以这三个因素进行logistic回归构建预测模型，产生AUC0.690。联合影像组学标签及临床病理因素构建列线图预测模型，产生AUC0.812、灵敏度77.1％、特异度72.5％、准确率75.0％。在训练集ANN机器学习法预测肺癌PD-L1表达，产生灵敏度75.O％、特异度71.1％、准确率73.1％;同样SVM机器学习法产生灵敏度75.2％、特异度60.8％、准确率68.4％。在验证集106例患者中，影像组学标签预测肺癌PD-L1表达，产生AUC0.668、灵敏度70.9％、特异度57.7％、准确率64.2％。临床病理预测模型产生AUCO.750，列线图预测模型产生AUCO.779、灵敏度74.5％、特异度65.4％、准确率69.8％。校准曲线显示列线图预测肺癌PD-L1表达结果与实际临床观察结果具有较好的一致性，Cindex值为0.824。决策曲线分析显示列线图模型预测肺癌PD-L1表达，在0.1～O.8的阈值概率范围内，患者能获得较高的净利益。　　结论肿瘤CT影像组学定量特征可以预测非小细胞肺癌PD-L1表达，联合临床病理因素的列线图模型能提高预测效能，具有较高的临床应用价值。与之相比，ANN和SVM机器学习方法对肺癌PD-L1表达的预测没有显示出更好的能力。　　第二部分CT影像组学在预测非小细胞肺癌免疫治疗疗效中的价值　　目的探讨肿瘤CT影像组学特征在预测非小细胞肺癌免疫治疗疗效中的应用价值。　　方法回顾性分析2018年6月～2021年6月在苏州大学附属第一医院行免疫治疗的70例非小细胞肺癌患者的临床病理及肺部CT资料，作为影像组学分析的训练集;同期收集在江南大学附属医院行免疫治疗的37例非小细胞肺癌患者的临床病理及肺部CT资料，作为影像组学分析的验证集。根据免疫治疗实体瘤疗效评定标准(iRECIST)，训练集中免疫治疗有效34例，无效36例;验证集中免疫治疗有效18例，无效19例。利用ITK-SNAP软件在治疗前基线肿瘤肺窗CT图像上，采取与第一部分同样的方法，提取肿瘤ROI中影像组学定量特征464个，并筛选降维得到最优特征子集和影像组学标签。结合临床病理特征采用多因素logistic回归分析构建肺癌免疫治疗疗效的预测模型，以列线图显示。然后用受试者操作特征(ROC)曲线计算预测模型的曲线下面积(AUC)、灵敏度、特异度、准确率。并进一步与支持向量机(SVM)和决策树(DT)机器学习方法对肺癌免疫治疗疗效的预测能力进行对比。最后通过比较列线图模型预测结果与实际临床观察结果，得到校准曲线和临床决策曲线。　　结果两位医师提取肿瘤影像组学特征的组间和组内一致性好，ICC值分别为O.85和O.89。在训练集70例患者中，筛选了5个最优影像组学特征，包括原始图形状特征1个，小波一阶特征1个，小波纹理特征3个;以此建立影像组学标签预测肺癌免疫治疗疗效，产生AUC0.736、灵敏度66.7％、特异度73.5％、准确率70.O％。在临床病理因素方面，肿瘤PD-L1表达、病理组织类型与肺癌免疫治疗疗效相关，以这两个因素进行logistic回归构建预测模型，产生AUC0.732:联合影像组学标签及临床病理因素构建列线图预测模型，产生AUCO.863、灵敏度72.2％、特异度82.4％、准确率78.6％。在训练集基于SVM机器学习方法预测肺癌免疫治疗疗效，产生灵敏度70.7％、特异度76.5％、准确率72.9％;同样基于DT机器学习方法，产生灵敏度71.9％、特异度79.4％、准确率75.7％。在验证集37例患者中，影像组学标签预测肺癌免疫治疗疗效，产生AUC0.719、灵敏度57.9％、特异度77.8％、准确率67.6％;临床病理预测模型产生AUCO.651，列线图预测模型产生AUC0.816、灵敏度73.7％、特异度66.7％、准确率70.3％。校准曲线显示列线图预测肺癌免疫治疗疗效与实际临床观察结果具有很好的一致性，Cindex值为0.897。决策曲线分析显示列线图模型预测肺癌免疫治疗疗效，在0.1～1.0的阈值概率范围内，患者能获得较高的净利益。　　结论基线肿瘤CT影像组学定量特征可以预测非小细胞肺癌免疫治疗疗效，联合临床病理因素的列线图模型能提高预测效能，具有较高的临床应用价值。与之相比，SVM和DT机器学习方法对肺癌免疫治疗疗效的预测没有显示出更好的能力。　　第三部分cT影像组学在预测非小细胞肺癌免疫治疗相关性肺炎中的价值　　目的探讨基线肺组织CT影像组学特征在预测非小细胞肺癌免疫治疗相关性肺炎(1iP)中的应用价值。　　方法回顾性分析2018年6月～2021年9月在苏州大学附属第一医院或江南大学附属医院行免疫治疗的350例非小细胞肺癌患者的临床病理及肺部CT资料，按照2∶1的比例随机分为训练集(233例)和验证集(117例)。根据ⅡP的诊断标准，训练集中发生ⅡP患者28例，无ⅡP205例;在验证集中发生IIP患者22例，无ⅡP95例。利用ITK-SNAP软件在免疫治疗前肺窗CT图像上，采用与第一部分同样的方法，由这两位医师独立地沿基线肺组织边缘勾画和提取2D感兴趣区(ROI)的影像组学特征455个，并筛选降维得到最优特征子集和影像组学标签。结合临床病理因素采用多因素logistic回归分析构建ⅡP的预测模型，以列线图显示。然后用受试者操作特征(ROC)曲线计算预测模型的曲线下面积(AUC)、灵敏度、特异度、准确率。并进一步与随机森林(RF)和支持向量机(SVM)机器学习方法对肺癌发生ⅡP的预测能力进行对比。最后通过比较列线图模型预测结果与实际临床观察结果，得到校准曲线和临床决策曲线。　　结果两位医师提取影像组学特征的组间和组内一致性好，ICC值分别为0.83和0.87。在训练集233例患者中，筛选了11个最优影像组学特征，包括原始图纹理特征1个和基于小波变换的纹理特征10个:以此建立影像组学标签预测ⅡP，产生AUC0.763、灵敏度72.7％、特异度70.5％、准确率70.8％。在临床病理因素方面，吸烟史、肺部基础疾病与肺癌免疫治疗后发生ⅡP相关，以这两个因素进行logistic回归构建预测模型，产生AUC0.715。联合影像组学标签及临床病理因素的列线图预测模型，产生AUCO.853，灵敏度81.8％、特异度77.9％、准确率78.5％。在训练集基于RF机器学习法预测ⅡP，产生灵敏度77.3％、特异度68.4％、准确率69.5％;基于SVM机器学习法预测ⅡP，产生灵敏度72.7％、特异度76.8％、准确率76.0％。在验证集117例患者中，影像组学标签预测ⅡP，产生AUC0.754、灵敏度72.7％、特异度66.3％、准确率67.5％。临床病理模型预测ⅡP，产生AUCO.717;列线图模型预测ⅡP，产生AUCO.810、灵敏度77.3％、特异度71.6％、准确率72.6％。校准曲线显示列线图预测非小细胞肺癌免疫治疗后发生IIP与实际临床观察结果具有很好的一致性，Cindex值为O.904。决策曲线分析显示列线图模型预测liP，在0.3～0.9的阈值概率范围内，患者能获得较高的净利益。　　结论基线肺组织CT影像组学定量特征可以预NtEd,细胞肺癌发生ⅡP的可能性，联合临床病理因素的列线图模型能提高预测效能，具有较高的临床应用价值。与之相比，RF和SVM机器学习方法对肺癌ⅡP的预测没有显示出更好的能力。