METnet:一种新的深度学习模型,预测计算机断层扫描图像上的非小细胞肺癌中MET失调
Yige Sun1, Jirui Guo2, Yang Liu3
1Department of Radiology, Harbin Medical University Cancer Hospital, 150 Haping Road, Harbin, 150010, Heilongjiang, P.R. China; Genomics Research Center (Key Laboratory of Gut Microbiota and Pharmacogenomics of Heilongjiang Province, State-Province Key Laboratory of Biomedicine-Pharmaceutics of China), College of Pharmacy, Harbin Medical University, Harbin, 150081, China.
Computers in biology and medicine
|February 17, 2024
概括
一种新的深度学习模型,METnet,使用CT扫描预测非小细胞肺癌 (NSCLC) 中的介质细胞上皮质转化 (MET) 失调. 这种非侵入性方法有助于准确的诊断和治疗指导.
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:
- 介质细胞上皮转化 (MET) 对于非小细胞肺癌 (NSCLC) 的诊断和治疗至关重要.
- 已批准的MET向药物显示有效性,但目前的检测方法具有侵入性和样本依赖性.
- 对MET失调的活检和基因测序是耗时和具有挑战性的.
研究的目的:
- 开发一种非侵入性深度学习 (DL) 模型,用于预测NSCLC中MET失调.
- 克服侵入性活检和基因测序方法的局限性.
- 为指导精确的分子水平诊断和治疗提供一个方便的工具.
主要方法:
- 使用计算机断层扫描 (CT) 成像数据开发了一个DL模型 (METnet).
- 采用无监督算法RK-net用于自动图像处理.
- 利用MedSAM大型模型进行自动组织细分.
- 在内部测试数据集上使用AUROC评估METnet性能和准确性.
主要成果:
- METnet的精度为0.746,接收器运行特征曲线 (AUROC) 下的面积为0.793.
- 该模型在内部测试数据集上表现出良好的区分能力.
- 亚组分析表明不同患者亚组的表现一致.
结论:
- 从CT图像中,METnet有效地预测了NSCLC中的MET失调.
- 这种非侵入性方法显示出指导分子水平瘤诊断和治疗的前景.
- 该模型为传统检测方法提供了一个方便且潜在的更快的替代方案.
