目的:胃癌是最常见的消化道恶性肿瘤之一,术前准确预测生存概率和早期复发概率,进行危险度分层,是实现胃癌个体化治疗的关键环节。本课题针对术前预测进展期胃癌(Advanced Gastric Cancer,AGC)总生存期(Overall Survival,OS)和早期复发的临床需求,构建基于计算机断层扫描(Computed Tomography,CT)的影像组学(Radiomics)和深度学习(Deep Learning,DL)预后预测模型。材料与方法:1.回顾性收集兰州大学第二医院经病理证实为AGC的337例患者,随机分为训练集(n=237)和验证集(n=100)。基于术前增强CT图像构建残差卷积神经网络结构的端到端DL模型。通过图像增强技术增加训练集数据量,避免过拟合。经Cox单因素及多因素分析构建临床模型,并融合DL模型和临床模型构建综合预测模型(Combined Model),在此基础上构建诺莫图(Nomogram)。计算Harrel一致性指数(Harrell’s Concordance Index,C-index)和风险比(Hazard Ratio,HR),并应用Kaplan-Meier曲线、校准曲线及临床决策曲线比较三种模型对OS的预测性能。2.回顾性收集两个临床医学中心共669例经病理证实的AGC患者(训练集302例,内部验证集219例,外部验证集148例)。从术前增强CT图像中提取影像组学特征,同时构建深度卷积神经网络(Deep Convolutional Neural Network,DCNN)提取DL特征,应用机器学习方法缩小特征尺寸,建立影像组学标签。使用多变量逻辑回归分析将影像组学标签、基于影像学评估的TN分期和临床危险因素纳入诺莫图。计算受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC)的AUC、准确性并应用分层分析、校准曲线评估诺莫图对于早期复发的预测性能。结果:1.通过数据增强技术,共获得5688张CT图像,并将其输入DL模型。经过训练的DL模型显著地将患者在训练集(C-index:0.70,HR:2.88,p<0.002)和验证集(C-index:0.64,HR:4.32,p<0.002)中分为高危组和低危组。此外,Cox单因素及多因素分析得出临床T分期(clinical T stage,cT分期)、临床N分期(clinical N stage,cN分期)和CA125是与OS显著相关的预后预测因子(p<0.05)并建立临床模型。根据C-index,综合预测模型在OS风险预测方面的效果最好(训练集:综合预测模型vs临床模型vs DL模型=0.74 vs 0.72 vs 0.70;验证集:综合预测模型vs临床模型vs DL模型=0.67 vs 0.66 vs 0.64)。另外。DL模型在训练集和内部验证集中都具有最高的HR(训练集:DL模型vs临床模型vs综合预测模型:2.88vs 2.72 vs 2.72,验证集:DL模型vs临床模型vs综合预测模型:4.32 vs 2.11 vs1.89),且显著性差异(p<0.002),这表明DL模型预测的高危人群相比其他模型预测的高危人群有更高的死亡危险。校准曲线分析显示基于综合预测模型的诺莫图预测的1,2,3年生存概率与实际的OS有较好的一致性。临床决策曲线也证明综合预测模型的净收益最佳。2.包括3个基于手工提取的影像组学特征和6个DL特征与早期复发显著相关(p<0.0001)。此外,cN分期、CA199、CEA和Borrmann分型被认为是早期复发的有效预测因子。诺莫图综合上述预测因素,在训练集和两个测试集中显示出较强的预测能力,AUC分别为0.831(95%CI,0.786-0.876)、0.826(95%CI 0.772-0.880)和0.806(95%CI 0.732-0.881)。分层分析证明诺莫图不受不同亚组因素的影响(DeLong test检验p值均>0.05),表明模型具备良好的泛化能力。校准曲线分析显示依据诺莫图模型预测的风险度与实际观察到的复发概率具有良好的一致性。结论:1.本研究基于残差卷积神经网络构建的端到端DL模型是一种良好的生存风险评估模型,对实现AGC患者OS的早期预判有较好的应用价值。2.结合影像组学与DL两种方法的优势,并融合临床独立风险因素构建的影像组学诺莫图对术前预测AGC患者的早期复发概率具有良好的预测性能,这可能成为指导AGC个性化治疗的潜在工具。以影像组学和DL为代表的新型AI技术有望对现有的预后评估体系进行有效补充。