基于批量训练技术的混合损失的残留神经网络,用于识别肺癌中EGFR突变状态

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 计算生物学 计算生物学

背景情况:

• 表皮生长因子受体 (EGFR) 突变状态对于使用氨酸激酶抑制剂的向肺癌治疗至关重要.
• 鉴定EGFR突变的传统方法,如活检和序列测试,对无法接受侵入性手术的患者构成挑战.
• 需要使用非侵入性技术来确定肺癌中的EGFR突变状态.

研究的目的:

• 提出一种非侵入性方法,使用计算机断层扫描 (CT) 图像识别肺癌中的EGFR突变状态.
• 开发和评估一个深度学习模型,特别是一个残余神经网络 (ResNet) 具有新的混合损失函数,用于此识别任务.

主要方法:

• 作为特征提取的基线,使用了残余神经网络 (ResNet) 架构.
• 开发了一种新的混合损失函数,结合批次相似性和交叉,以增强模型参数学习.
• 多个ResNet模型 (ResNet18,ResNet34,ResNet50) 和其他网络 (VGG16Net,DenseNet) 在公共和医院收集的CT数据集上进行了培训和验证.

主要成果:

• 拟议的ResNet模型具有混合损失函数,在从CT图像中识别EGFR突变状态方面表现出有效性.
• ResNet34模型实现了最佳性能,精度为81.58%,AUC为0.8861,灵敏度为80.02%,特异性为82.90%.
• 该研究对公共 (155名患者) 和合作医院 (56名患者) 数据集的模型进行了验证.

结论:

• 开发的基于CT的非侵入性深度学习方法,特别是使用混合损失的ResNet34,是确定肺癌EGFR突变状态的有希望和有效工具.
• 这种方法为侵入性活检程序提供了可行的替代方案,有可能改善患者获得向治疗的机会.
• 这种人工智能驱动的方法的进一步验证和临床整合可以增强肺癌的个性化治疗策略.