一种集成多序MRI的深度学习模型,用于预测非小细胞肺癌大脑转移中的EGFR突变亚型

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 非小细胞肺癌 (NSCLC) 的大脑转移需要准确的分子亚型定位来进行向治疗.
• 表皮生长因子受体 (EGFR) 突变 (19Del, 21L858R) 和野生型 (WT) 状态对于治疗选择至关重要.
• 目前用于EGFR突变检测的方法可能是侵入性的和耗时的.

研究的目的:

• 开发和验证一种深度学习模型,用于同时预测NSCLC脑转移中的EGFR突变状态和亚型 (WT,19Del,21L858R).
• 为了利用多序磁共振成像 (MRI) 放射学特征来完成这一预测任务.
• 为确定EGFR突变亚型的非侵入性成像替代品.

主要方法:

• 对399名患有脑转移的NSCLC患者进行回顾性分析,这些患者接受了3.0-T脑MRI.
• 从T2加权,T2加权的流体减弱反转恢复,扩散加权成像和对比度增强的T1加权序列中提取了1,290个放射特征.
• 开发用于EGFR突变预测的Radio-GCN (放射学+图形卷积网络) 算法.

主要成果:

• 无线电GCN模型在预测EGFR突变状态和亚型方面取得了很高的准确性.
• 对19Del,21L858R和WT的损伤智能AUC分别为0.996 ± 0.004,0.971 ± 0.013和1.000 ± 0.000.
• 预测EGFR突变的患者智能AUC为1.000 ± 0.000,0.991 ± 0.009和1.000 ± 0.000,卡帕系数高.

结论:

• 开发的Radio-GCN模型显示出作为预测NSCLC脑转移中的EGFR突变状态和亚型的非侵入性诊断工具的巨大潜力.
• 这种深度学习方法可以指导NSCLC患者的个性化治疗决策.
• 这项研究提供了一种基于成像的新方法来确定EGFR突变的亚型,这可能会减少侵入性活检的需要.