基于深度转移学习和非小细胞肺癌患者的模型堆叠的非侵入性,快速和高性能EGFR基因突变预测方法
Anass Benfares1, Abdelali Yahya Mourabiti2, Badreddine Alami2
1Laboratory of Computer, Signals, Automation and Cognitivism, Dhar El Mehraz Faculty of Sciences, Sidi Mohammed Ben Abdellah University, Fez, Morocco.
European journal of radiology open
|October 1, 2024
概括
这项研究引入了一种快速,非侵入性的方法,用于预测非小细胞肺癌中的表皮生长因子受体 (EGFR) 突变. 这有助于快速启动氨酸激酶抑制剂 (TKI) 治疗,以获得更好的患者结果.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 生物信息学是一种生物信息学.
背景情况:
- 非小细胞肺癌 (NSCLC) 的诊断通常需要及时的基因分析.
- 皮表皮生长因子受体 (EGFR) 突变是氨酸激酶抑制剂 (TKI) 治疗腺癌NSCLC的关键标.
- 目前用于EGFR突变检测的方法可能是侵入性的和耗时的,延迟治疗的开始.
研究的目的:
- 开发一种智能,非侵入性,精确和快速的方法来预测EGFR突变状态.
- 为了加快TKI治疗的启动,对于未经治疗的腺癌NSCLC.患者.
- 改进个性化癌症治疗中的决策.
主要方法:
- 利用了521名腺癌NSCLC患者的现实数据,这些患者接受了CT扫描和随后的病理分析.
- 开发和训练了一个智能预测模型,使用来自138个CT扫描的12040张2D图像.
- 通过提出的解决方案,解决了人类注释错误和模型精度的挑战.
主要成果:
- 开发的模型在预测EGFR基因突变状态方面取得了高性能.
- 关键性能指标包括95.22%的准确性,960.2 F1得分,95.89%的精度,96.92%的灵敏度,94.01%的科恩卡帕和98%的AUC.
- 从分析的队列中确定了40个突变阳性和98个野生型EGFR病例的子集.
结论:
- 已经提出了一种有效的EGFR基因突变状态预测方法,使用训练在准确数据上的智能模型进行预测.
- 这种高性能预测工具可以显著加快TKI治疗的治疗决策.
- 该方法为针对性肺癌治疗提供了快速准确的患者分层的途径.
