肺癌是世界各地导致癌症相关死亡的主要原因之一。肺癌中,非小细胞肺癌(Non-small Cell Lung Cancer,NSCLC)占肺癌病例总数的80%-85%。近年来,由于分子生物学的发展,在NSCLC的治疗方法中,靶向治疗引起了广泛关注,特别是靶向酪氨酸的表皮生长因子受体(EGFR)激酶抑制剂(TKIs)已广泛应用于NSCLC的治疗。与传统的治疗方法,如放疗、化疗等相比,EGFR-TKI不仅副作用较少,且已被证明能更显著地改善发生了EGFR基因突变的NSCLC患者的预后,这说明了确认细节EGFR基因突变检测的重要性。目前,EGFR基因突变状态的识别主要是基于肿瘤标本活检的基因检测。然而,在临床实践中,肿瘤的异质性和活检所得肿瘤组织的不足是造成无法准确检测EGFR基因突变类型的主要原因。此外,活检检测还增加了患者癌症转移的潜在风险,且不适合晚期肺癌患者和身体素质较差的患者。因此,开发一种基于PET/CT图像和临床特征的非侵入性且易于使用的方法来预测EGFR基因突变状态在临床上具有较高的研究价值和应用前景。本文拟采用深度学习的方法,利用患者的18F-氟脱氧葡萄糖(FDG)正电子发射断层扫描(Positron Emission Computed Tomography)/计算机断层扫描(Computer Tomography)(18F-FDGPET/CT)无创的预测患者的EGFR基因突变的状态。本文所做的研究主要围绕以下两个部分展开:第一,由于现阶段针对NSCLC患者的EGFR基因突变状态预测的研究大多是基于CT的单模态图像数据,而研究表明多模态数据能够提升深度学习模型的预测能力。因此本研究首先使用了深度学习的预测方法,以Res Net网络作为主干,采用创新的方法融合了PET/Porphyrin biosynthesisCT图像的深度学习特征和患者的临床特征,同时与影像组学特征进行融合,来帮助网络提升预测性能。随后,本文进行了与传统方法的对比实验,即基于临床模型、影像组学模型和综合模型预测NSCLC患者的EGFR基因突变情况的预测。其中临床模型使用患者的临床特征,影像组学模型使用PET/CT图像的双模态的影像组学特征,综合模型同时使用临床和影像组学特征,最后利用传统的Ada Boost、Logist Regression、SVM等机器学习分类方法对NSCLC患者的EGFR基因突变情况进行预测。其中,影像组学模型首先需要对PET/CT图像数据进行影像组学特征的提取,并利用Random Forest方法对提取到的特征进行特征选择,以实现特征降维,缓解模型过拟合,提升模型预测精度;最后,将筛选后的特征输入到分类器中,得到最终的模型预测结果。实验结果表明,深度学习模型的预测结果相比传统的分析方法有较大的提升。第二,常用的深度学习预测方法的弊端之一是需要大量的具有病灶区域标注的数据,但医selleck PR-171生手动标注的过程需要消耗大量时间、精力,并且不同医生之间难以保持绝对的一致性。因此,有病灶区域标注的医学影像数据极难获取。基于此问题,本研究提出了一种无需医生标注病灶区域进行NSCLC患者EGFR基因突变预测的深度学习方法,利用轻量级网络(Mobile Net),将最大密度投影和均值密度投影作为模型的输入,无需医生标注便可得到与传统影像组学模型和临床模型相媲美的实验结果。