深度学习-放射学集成的非侵入性检测表皮生长因子受体突变在非小细胞肺癌患者
Seonhwa Kim1, June Hyuck Lim1, Chul-Ho Kim2
1Department of Radiation Oncology, Ajou University School of Medicine, Suwon, Republic of Korea.
Scientific reports
|January 9, 2024
概括
这项研究引入了一种使用深度学习和CT扫描上的放射学来预测非小细胞肺癌 (NSCLC) 患者表皮生长因子受体 (EGFR) 突变的新方法,提供了一种更简单的遗传测试方法.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 非小细胞肺癌 (NSCLC) 的治疗通常以表皮生长因子受体 (EGFR) 突变状态为指导.
- 准确及时预测EGFR突变对于NSCLC个性化治疗策略至关重要.
研究的目的:
- 开发和验证一种基于深度学习和放射学的新策略,用于使用计算机断层扫描 (CT) 图像来预测NSCLC患者的EGFR突变.
- 评估基于CT图像的EGFR突变的非侵入性预测的可行性,作为传统遗传检测的替代方案.
主要方法:
- 使用卷积神经网络模型从1280名NSCLC患者的CT图像中提取特征.
- 放射学特征和临床数据与深度学习提取的图像特征相结合,以预测EGFR突变.
- 模型的概括性能使用独立的外部数据集进行了评估.
主要成果:
- 放射学和临床特征模型的组合实现了主要队列中曲线下的面积 (AUC) 约为0.81,外部验证中为0.78.
- 在EGFR突变和非突变NSCLC患者组之间观察到性别,身高,体重,吸烟史和临床阶段的显著差异.
- 该模型在预测EGFR突变方面证明了可行性,在结合放射学和临床特征时,外部验证AUC为0.7038.
结论:
- 将放射学分析与深度学习相结合,为基于CT扫描的NSCLC患者预测EGFR突变提供了一种可行的简单方法.
- 这种基于CT图像的方法有可能改善NSCLC患者的预后,并有助于制定个性化治疗计划.
- 这项研究强调了人工智能和放射学在非侵入性预测癌症遗传变化的潜力,为更有效的诊断途径铺平了道路.
