肺癌是全球最常见的肿瘤之一。靶向治疗对于中晚期肺癌患者生存率的提高成为目前最有效的手段,但存在基因测序费用高、周期长、侵入式取样损伤大,以及易出现耐药性等问题,导致该方法在临床治疗中难以大规模推广应用。针对这一瓶颈问题,本文通过探寻放射学病灶影像与致病基因之间的映射关联性,以期直接从影像中预测出致病突变基因,从而为靶向治疗提供新方案。围绕此目标,本文探索了与特定生物分子通路相关的肺癌影像学亚型自动识别方法;揭示了中晚期肺癌基因异常表达在影像数据中的潜在表示机理;探索了多任务深度神经网络在长时程多模态异构数据下的有效性,构建了结合肺癌肿瘤多属性学习与动态生存预测的智能疗效评估模型。本研究对中晚期肺癌规模性辅助治疗提供新技术具有重要的学术价值,对提高患者生命的广度和宽度具有临床应用价值。本文的主要研究内容和创新如下:(1)患者分层为高效和个性化的医学做出了巨大贡献。患者分层的一个重要任务是发现不同的疾病亚型,以便有效治疗。本文提出了一种新的深度学习聚类模型,将成对约束和半监督聚类相结合,称为半监督深度嵌入式聚类网络(SSDECN),用于肺癌患者肺部CT图像聚类。在本文的深度聚类网络中,经过预处理后的图像首先使用SAE编码器从每个图像中提取隐含层的层次特征,然后结合成对约束矩阵,同时进行特征学习和聚类分配,并联合未标记数据和先验信息提高网络的聚类性能,通过更新网络损失完成半监督图像聚类和患者分层过程。为了测试本文的深度聚类算法,在LIDC-IDRI胸部CT图像数据集和来自合作医院的数据集上进行了实验,并对发现的患者亚型进行了临床和生物学验证。实验结果表明,与目前最新的半监督分类方法相比,SSDECN具有更好的分类性能。这些结果也表明本文的方法可能在肺癌发病机制研究中有实际应用,并为个体化的癌症治疗提供有用的指导。(2)本文拟结合肿瘤多个时期的影像数据,揭示影像学多类型、多角度特征在疗效评估中的关键作用,解决疗效评估指标单一性问题,并通过分析病灶多个时期下的变化趋势,建立多角度的评分模型;同时以基因数据为主要指导并联合多个时期的患者肺部肿瘤影像数据以及动态临床信息,建立多重异构数据联合预测框架。最终通过局部共享约束多任务层级学习(PSC-MTHL)与整合序列CT影像、基因和病例数据的多核学习方法(CGC-MKL)实现长时程动态生存期的有效预测。构建肿瘤多属性值评分与生存预测相结合的疗效评估体系,为医师与患者提供辅助疗效评估建议。