一个基于CT的深度学习放射学诺米克图,用于预测头部和部状细胞癌中的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
• 医学成像分析 医学成像分析

背景情况:

• 精确的表皮生长因子受体 (EGFR) 突变状态对于头部和部状细胞癌 (HNSCC) 患者的预后和治疗至关重要.
• 目前评估EGFR状态的方法可能是侵入性的或耗时的.

研究的目的:

• 开发和验证使用对比增强计算机断层扫描 (CECT) 的深度学习放射学名图 (DLRN),以预测HNSCC中的EGFR突变状态.
• 在一个独立的队列中评估 DLRN 的预测性能.

主要方法:

• 总共包括300名HNSCC患者,数据分为训练 (n=200) 和外部测试 (n=100) 组.
• 从手动提取 (MER) 和深度学习 (DL) 提取的特征中选择了关键的放射性特征,使用最少绝对收缩和选择操作员 (LASSO) 方法.
• 通过结合选定的临床因素,MER特征和DL特征,构建了一个DLRN.

主要成果:

• 选择了五个MER和六个DL特征,以及临床因素"性别"和"死角区域".
• 在HNSCC.中,DLRN对EGFR突变状态的强有力的预测性表现.
• 曲线下的面积 (AUC) 值为训练组的0.901和测试组的0.875.

结论:

• 一个基于CECT的DLRN已成功开发,用于预测HNSCC.中的EGFR突变.
• 该模型具有很高的预测准确性,有可能改善治疗选择和患者的结果.