剖析基于人工智能的肺腺癌突变预测:一个全面的现实研究

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物信息学是一种生物信息学.

背景情况:

• 分子分析是针对性肺癌治疗的关键.
• 深度学习 (DL) 显示出从组织学图像中预测突变的潜力.
• 挑战包括小样本大小和现有DL研究中的有限概括性.

研究的目的:

• 评估影响DL模型准确度的因素,以预测肺腺癌中的突变.
• 使用大队伍评估DL模型的稳定性和通用性.

主要方法:

• 用2356个FPE样本对海德堡肺腺癌队列 (HLCC) 的回顾性分析.
• 使用TCGA-LUAD数据集进行验证.
• 研究了预处理和建模选择对预测准确性的影响.

主要成果:

• 在较大的HLCC队列上训练的模型对EGFR,STK11和TP53突变的TCGA进行了很好的概括.
• 较大的队列大小提高了模型的稳定性和通用性.
• 预处理选择影响了EGFR预测准确度高达7%.

结论:

• 特定的形态特征 (例如生长模式) 与突变有关.
• DL模型可以提高突变预测的准确性,并支持为试验预选患者.
• DL模型补充,但不能取代,全面的分子分析.