混合深度多任务学习放射学方法用于预测CT图像中非小细胞肺癌的EGFR突变状态

科学领域:

• 放射学和医学成像中的深度学习
• 瘤学和癌症基因组学
• 胸部成像分析分析

背景情况:

• 表皮生长因子受体 (EGFR) 突变状态对于非小细胞肺癌 (NSCLC) 的向治疗至关重要.
• 从医学图像中准确预测EGFR突变状态可以指导个性化治疗策略.
• 目前的方法可能无法充分利用CT图像中的复杂信息来预测突变.

研究的目的:

• 开发基于计算机断层扫描 (CT) 图像的混合深度放射学模型,用于预测NSCLC中的EGFR突变状态.
• 将混合模型的性能与单任务深度神经网络 (DNN) 和放射学模型进行比较.
• 研究NSCLC中深度图像特征和定量放射学特征之间的相关性.

主要方法:

• 在培训,内部验证和外部验证队列中,追溯招募了949名患者.
• 开发了三种基于CT图像的模型:多任务深度神经网络 (DNN),放射学模型和特征融合模型.
• 使用混合损失函数进行DNN训练,并使用AUC和决策曲线分析评估模型性能.

主要成果:

• 特性融合模型在两个验证队列中都取得了卓越的性能,AUC为0.86 ± 0.03和0.80 ± 0.05.
• 功能融合模型的性能明显高于单任务DNN和放射学模型 (P <0.05).
• 来自特征融合模型的二进制预测分数显示了无病和整体生存的优异预后价值.

结论:

• 混合深度放射学和多任务DNN模型在EGFR突变预测方面显著优于传统放射学和单任务DNN模型.
• 功能融合模型有效地解码与NSCLC异质性,EGFR突变和患者预后相关的成像表型.
• 在深度图像和放射学特征之间发现了显著的相关性,突出了它们的互补作用.