基于深度学习的预测成像生物标志物模型,用于从CT成像获得非小细胞肺癌中的EGFR突变状态

科学领域:

• 放射学和人工智能在瘤学中的应用
• 医学成像和诊断 医学成像和诊断
• 基因组生物标志物发现发现

背景情况:

• 表皮生长因子受体 (EGFR) 突变是非小细胞肺癌 (NSCLC) 的关键预测生物标志物.
• 准确预测EGFR突变状态对于指导向治疗选择至关重要.
• 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:

• 开发和验证基于深度学习的放射基因组 (DLR) 模型和放射性特征,用于预测NSCLC中的EGFR突变.
• 评估有助于EGFR突变检测的语义和临床成像特征.
• 为确定EGFR突变状态的非侵入性成像生物标志物.

主要方法:

• 利用一条端到端的管道分析了两项试验中990名NSCLC患者的CT图像.
• 采用了两个3D卷积神经网络,用于自动化肺质量和结节细分.
• 集成的放射学,DLR模型和CT语义特征用于突变预测.

主要成果:

• 结合放射学和DLR模型,在预测EGFR突变状态时,实现了0.88±0.03的曲线下面面积 (AUC).
• 纳入语义特征进一步提高了模型的准确性,达到0.88±0.05.05的AUC.
• 与EGFR突变相关的显著CT语义特征包括纯固体瘤,肺瘤的缺失,多叶膜收缩,裂附着,转移性结节,多叶膜溢出和瘤增强> 54 HU.

结论:

• 基于AI的放射学和DLR模型在NSCLC的非侵入性EGFR突变预测方面表现出高准确性.
• 这种方法提供了一种用户友好且有效的成像生物标志物,用于确定EGFR突变状态.
• 这些发现支持放射基因组学在个性化肺癌治疗中的潜力.