根据使用深度学习的PET/CT图像预测肺腺癌的表皮生长因子受体突变状态
Lele Huang1,2,3, Weifang Kong4, Yongjun Luo1,2,3
1Department of Nuclear Medicine, The Second Hospital and Clinical Medical School, Lanzhou University, Lanzhou, China.
Frontiers in oncology
|December 30, 2024
概括
使用PET/CT扫描的深度学习模型可以准确预测肺腺癌中的EGFR突变. 这些先进的人工智能模型的性能优于传统的临床评估,可能引导患者个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 肺腺癌 (LUAD) 是癌症死亡的一个重要原因.
- 表皮生长因子受体 (EGFR) 突变状态对于引导LUAD治疗至关重要.
- 准确预测EGFR突变状态对于个性化治疗至关重要.
研究的目的:
- 开发和评估深度学习模型,用于预测LUAD中的EGFR突变状态,使用18F-氧葡萄糖正子发射断层扫描/计算机断层扫描 (18F-FDG PET/CT) 图像.
- 将深度学习模型的性能与传统的临床模型进行比较.
主要方法:
- 在430名LUAD患者的PET/CT图像上使用Inception V3深度学习架构.
- 开发了CT,PET和PET+CT数据组合的单独模型.
- 分析临床特征和CT特征,建立临床预测模型.
- 使用AUC,精度,灵敏度,特异性,回忆和F1分数来评估模型性能.
主要成果:
- 基于CT和PET+CT的深度学习模型实现了最高的预测性能,在训练集中AUC值分别为0.933和0.931.
- 在PET和临床模型中,预测性表现较低 (训练组中的AUC为0.895和0.740).
- 与临床模型相比,所有深度学习模型都表现出优越的预测能力,正如DeLong测试所证实的那样.
结论:
- 在18F-FDG PET/CT图像上训练的深度学习模型有效预测LUAD中的EGFR和非EGFR突变.
- 这些人工智能驱动的预测模型提供了一个有希望的工具来指导LUAD患者的治疗决策.
- 该研究强调了集成先进成像和人工智能的潜力,以进行非侵入性突变状态预测.
更多相关视频
13:34A Combined 3D Tissue Engineered In Vitro/In Silico Lung Tumor Model for Predicting Drug Effectiveness in Specific Mutational Backgrounds
Published on: April 6, 2016
10.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
