前言小细胞肺癌(SCLC)是一个世界性的公共卫生问题。SCLC占所有肺癌病例的10%-15%,SCLC中仅有2-5%的病人是不吸烟者,其发病率与吸烟的强度和持续时间密切相关。尽管过去十年中SCLC发病率逐渐下降,但总的五年生存率仍不足6%。SCLC作为一种侵袭性恶性肿瘤,特点主要表现为快速生长、副肿瘤性内分泌和早期转移。由于其易于早期传播,患者通常被诊断为转移性疾病,化疗是基本的治疗方法。然而,SCLC临床治疗方案和预后在几十年里并没有显著改变,而且尽管近年来SCLC的基因组图谱方面已经取得了进展,但到目前为止,尚未有新型靶向药物被批准可应用于临床。除了继续研发新的治疗方法外,如何利用现有的化疗方案来提高SCLC患者的存活率是一个重大的临床挑战。首先,肺癌组织学亚型的精细区分有助于肿瘤医生选择合适的治疗方案,在肺癌患者的整体生存中起着重要的作用。肺癌通常分为小细胞肺癌(SCLC)和非小细胞肺癌(NSCLC)。NSCLC的主要类型是腺癌(AC),它的发病率稳步上升,目前占所有NSCLC病例的40%。SCLC和AC治疗方案不同,因此,随着新型靶向治疗药物的出现,SCLC和AC之间的精确区分变得越来越重要。目前,HE染色的光镜检查可以诊断分化良好和分化程度中等的肺癌患者,但低分化肺腺癌(PDLAC)与SCLC具有显著的形态重叠,而免疫组化(IHC)诊断费时又费钱,而且对操作人员的要求较高;此外,当IHC用二于诊断癌症时,不同的抗体克降会导致不同的结果;即使专业的肺癌病理学家在SCLC和NSCLC的分类上也会有5-7%的病例出现分歧。因此,探索一种新的、低成本、高灵敏度、自动诊断的技术对小细胞肺癌的检测和治疗具有重要意义。其次,目前的SCLC治疗方案中,依托泊苷加顺铂(EP)的联合化疗仍然是一线治疗方案,但部分SCLC患者的EP化疗方案效果欠佳,因此,如何预测SCLC患者的治疗结果,选择在一线化疗中反应不佳的患者,引起临床肿瘤医生极大的兴趣。准确的预测治疗效果可能允许在SCLC中进行化疗前的风险分层,帮助临床医生修正治疗方案的选择,节省宝贵的治疗时间,实施个体化治疗。目前尚无明确的标志物来预测SCLC的化疗反应,虽然已有研究发现循环肿瘤细胞(CTCs)的检测可用于确定对治疗的反应,但血液中CTCs数量少的特点会影响检测结果的重现性。当前可用的血清肿瘤标志物在肺癌中对癌细胞的敏感性和特异性相对较低,所以寻找一种新颖、低成本、准确的生物标记物对于预测接受化疗的SCLC患者的临床反应同样至关重要。随着光学和大数据分析的飞速发展,二维光散射静态细胞术和放射组学(Radiomics)等技术的出现,给小细胞肺癌的研究提供了新的思路。为了能够对SCLC细胞准确分型以及早期预测SCLC患者化疗后的反应,进而能够对SCLC患者进行个性化治疗,并最终有效降低肿瘤的死亡率,本研究工作从以下两方面展开:第一部分利用二维光散射静态细胞术和机器学习对小细胞肺癌和低分化的肺腺癌细胞进行自动分类目的:建立小细胞肺癌(SCLC)与分化差的肺腺癌(PDLAC)的自动分类方法,以制定适当的、个性化的治疗方案。材料和方法:应用两种无标记光学方法(常规流式细胞术和二维光散射静态细胞术)分别来分析不同肺癌亚型的细胞:SCLC细胞(H209和H69)和PDLAC细胞(SK-LU-1)。传统的细胞术检测散射光,以前向散射(FSC)和侧向散射(SSC)分析识别SCLC细胞与PDLAC细胞;在SCLC细胞(H209和H69)和PDLAC细胞(SK-LU-1)之间,利用分水岭算法和粒子分析算法从二维光散射图中提取两个参数(散斑总数和散斑平均面积)。利用这两个参数作为支持向量机(SVM)算法的输入,并通过leave-one-out交叉验证(LOO-CV)对SCLC细胞(H209和H69)和PDLAC细胞(SK-LU-1)进行分析。结果:用常规细胞术检测FSC和SSC的散射光,结果表明SCLC细胞(H209和H69)和PDLAC细胞(SK-LU-1)部分重叠,难以区分。二维光散射静态细胞术结果显示SCLC细胞(H209和H69)和PDLAC细胞(SK-LU-1)之间斑点的数量和大小的显著差异,结合支持向量机(SVM)算法和留一交叉验证(LOO-C V)在单细胞水平上实现了 SCLC细胞和PDLAC细胞的自动分类,准确率高达99.87%。结论:二维光散射静态细胞术可以对SCLC细胞和PDLAC细胞进行分类,操作简单,可以作为诊断和分类SCLC和PDLAC的一种新型、无标记、准确和易于使用的方法。第二部分基于CT的放射组学特征预测小细胞肺癌的一线化疗效果目的:建立一种基于计算机断层扫描(CT)的放射组学特征来评价小细胞肺癌(SCLC)的一线化疗效果。材料和方法:133名SCLC患者(在训练组中有92名,在独立验证组中有41名)接受标准的依托泊苷和顺铂联合治疗(EP),根据新的实体瘤的反应评估标准(RECIST 1.1)把患者分为有效组和无效组。从化疗前CT图像中提取出]05个放射学特征变量,并进行降维处理。分别对临床危险因素、放射学特征、临床加放射组学特征建立化疗效果评价模型,利用接收者操作特性(ROC)曲线下的面积(AUC),得到三个模型的预测概率,并在验证组中验证放射学模型和临床加放射学模型的预测性能。结果:在单因素分析中,临床危险因素中肿瘤位置与分组显著相关,而105个放射学特征中有23个特征与分组显著相关。在多因素分析中,临床因素创建的模型中,AUC是0.672(95%置信区间CI:0.534-0.811),肿瘤位置有显著性差异;在放射组学特征创建的模型中,AUC是0.682(95%置信区间CI:0.562-0.801),优于临床模型,其中,肿瘤位置、吸烟时间和Cyfra21-1存在显著性差异;把放射组学特征加入临床因素中创建新的模型中,预测概率得到大大的提高,AUC达到了 0.876(95%置信区间CI:0.787-0.966),其中年龄、肿瘤分期、肿瘤位置、吸烟时间、FAC1-1和FAC6-1存在显著性差异。验证数据验证了放射组学模型和临床加放射组学模型的性能,在放射组学模型中,AUC是0.677(95%置信区间CI:0.484-0.865),临床加放射组学特征模型中AUC是0.805(95%置信区间CI:0.604-0.993),与训练组的预测概率无显著差别。结论:肿瘤位置是SCLC患者化疗效果的独立预测因素;放射组学特征预测模型优于临床预测模型;临床数据加入放射组学特征构建的预测模型可大大提高一线化疗的评价效果。