基于脑转移磁共振成像的深度学习,用于预测转移性非小细胞肺癌中的表皮生长因子受体 (EGFR) 突变和亚型
Ran Cao1,2, Langyuan Fu1, Bo Huang3
1School of Intelligent Medicine, China Medical University, Shenyang, China.
Quantitative imaging in medicine and surgery
|July 18, 2024
概括
一个新的深度学习模型,MSF-Net,使用MRI扫描准确预测非小细胞肺癌脑转移中的表皮生长因子受体 (EGFR) 突变. 这种非侵入性工具有助于个性化治疗决策.
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:
- 在脑转移 (BM) 中精确的外皮生长因子受体 (EGFR) 突变的术前鉴定对于个性化非小细胞肺癌 (NSCLC) 治疗至关重要.
- 磁共振成像 (MRI) 提供了一种非侵入性的方法来评估这些突变.
研究的目的:
- 开发和验证一个深度学习模型,用于在手术前检测和定位NSCLC患者的EGFR突变.
- 为了比较深度学习模型的性能与传统的放射学特征.
主要方法:
- 使用ResNet50与注意模块设计了一个多级特征融合网络 (MSF-Net).
- 该模型是通过对比度增强的T1加权和T2加权MRI数据进行训练和验证的,分别来自160名和72名患者.
- 使用ROC曲线,准确度,精度,回忆,F1得分和Grad-CAM用于可视化来评估性能.
主要成果:
- 无国界医生网络在与手工制造的放射性特征相比,表现出优越的诊断性能.
- 无国界医生网络的微平均AUC为0.91,而放射学的AUC为0.80.
- 在预测EGFR突变和亚型方面,MSF-Net的宏观平均AUC为0.90,放射学为0.81.
结论:
- 开发的MSF-Net作为一种有效的,非侵入性成像工具,用于在手术前预测BM中的EGFR突变状态和亚型.
- 这种人工智能驱动的方法可以显著帮助为NSCLC患者量身定制个性化临床治疗策略.
