在使用三维 (3D) 卷积神经网络的计算机断层扫描 (CT) 图像上,预测肺腺癌患者表皮生长因子受体 (EGFR) 突变状态
Guojin Zhang1, Lan Shang1, Yuntai Cao2
1Department of Radiology, Sichuan Provincial People's Hospital, University of Electronic Science and Technology of China, Chengdu, China.
Quantitative imaging in medicine and surgery
|August 15, 2024
概括
使用计算机断层扫描 (CT) 图像的深度学习模型准确地预测了肺腺癌患者表皮生长因子受体 (EGFR) 突变状态. 这种非侵入性方法有助于选择向治疗.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在肺腺癌患者中对表皮生长因子受体 (EGFR) 突变状态的非侵入性检测对于指导向治疗至关重要.
- 目前的方法在治疗开始前准确预测EGFR突变状态时面临挑战.
研究的目的:
- 开发和评估基于三维 (3D) 卷积神经网络 (CNN) 的深度学习模型,用于使用计算机断层扫描 (CT) 图像预测EGFR突变状态.
- 为了比较CNN模型与临床和放射学模型的性能.
主要方法:
- 分析了660名肺腺癌患者的回顾性队列,数据分为训练 (n=528) 和外部测试 (n=132) 集.
- 一个受监督,端到端训练的3D CNN模型被开发和验证在外部测试组.
- 使用接收器操作特征 (ROC) 曲线评估性能,并与临床和放射性模型进行比较,包括结合CNN和放射性特征的综合模型.
主要成果:
- CNN模型表现出优异的预测性能,在测试组中,曲线下的面积 (AUC) 为94.7% (95% CI,0.894-0.978).
- 这显著优于临床 (AUC=68.4%) 和放射学模型 (AUC=72.4%).
- 同时,CNN模型的稳定性也比综合CNN和放射学特征的综合模型更好.
结论:
- 开发的3D CNN模型在非侵入性预测肺腺癌中的EGFR突变状态方面表现出色.
- 这种人工智能驱动的方法显示出作为临床医生在治疗决策中的辅助工具的潜力.
- 进一步融入临床工作流程可以改善患者管理和向治疗选择.
