在患有肺腺癌的患者中,通过放射学和深度学习预测EGFR和TP53的基因交换

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 生物信息学是一种生物信息学.

背景情况:

• 肺腺癌 (LUAD) 治疗越来越个性化.
• 识别EGFR和TP53等特定基因突变的患者对于有效的向治疗至关重要.
• 准确预测这些突变可以指导治疗决策并改善患者的治疗结果.

研究的目的:

• 使用放射学和深度学习构建和评估渐进式二进制分类模型.
• 在LUAD患者中预测表皮生长因子受体 (EGFR) 和TP53突变的存在.
• 评估模型的性能,以确定适合TCI向治疗的患者和预后不佳的患者.

主要方法:

• 对267名LUAD患者进行了遗传测试和非对比胸部CT的回顾性分析.
• 从感兴趣的区域 (ROI) 提取特征,并构建临床,放射学,深度学习 (DL) 和整体模型.
• 模型性能使用曲线下的面积 (AUC),灵敏度,特异性,准确性,精度和F1得分来评估.

主要成果:

• DL-rad-clin模型实现了预测EGFR状态的最高AUC (0.783).
• 对于EGFR突变患者的TP53状态,rad-clin模型显示了最高的AUC (0.811).
• 组合模型结合了临床,放射学和DL特征,证明了卓越的预测能力.

结论:

• 基于放射学和深度学习的分类模型为预测LUAD中的EGFR和TP53突变提供了有价值的工具.
• 这些模型可以作为参考来补充对TKI响应者和预后不佳的患者的临床鉴定.
• 这些发现支持将先进的成像分析整合到肺癌精密瘤学中.