通过结合3D预训练的ConvNeXt,放射学和临床特征来预测NSCLC中的EGFR突变亚型

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 人工智能的人工智能

背景情况:

• 非小细胞肺癌 (NSCLC) 是癌症相关死亡的主要原因.
• 表皮生长因子受体 (EGFR) 突变是NSCLC的关键治疗点.
• 准确预测EGFR状态对于指导治疗决策至关重要.

研究的目的:

• 开发一种新的方法来预测NSCLC患者的EGFR表达状态和亚型.
• 评估深度学习,放射学和临床特征的表现,单独和组合.
• 建立一种可靠的非侵入性方法来预测EGFR突变.

主要方法:

• 一项回顾性研究包括732名NSCLC患者,CT成像和EGFR数据.
• 提取了三维卷积神经网络 (3D-CNN) ConvNeXt,放射学和临床特征.
• 经过XGBoost模型的训练和验证,可以预测EGFR突变和亚型.

主要成果:

• 组合模型 (CNN+放射性+临床) 实现了预测EGFR突变的最高AUC0.801.
• 组合模型 (CNN+放射性) 在区分EGFR亚型时达到0.775的最高AUC (ex19del与L858R).
• 融合模型表现出比单个基于特征的模型更高的性能.

结论:

• 深度学习和放射性模型提供了准确的EGFR状态在NSCLC的非侵入性预测.
• 融合模型提高了非侵入性EGFR突变和亚型预测的可靠性.
• 这种方法为个性化NSCLC治疗策略提供了一个有希望的工具.