打破障碍:用于BRAFV600E突变识别的非侵入性AI模型
Fan Wu1, Xiangfeng Lin2, Yuying Chen3
1Department of Oncological Surgery, Affiliated Hangzhou First People's Hospital, Westlake University School of Medicine, Hangzhou, 310006, Zhejiang, China.
International journal of computer assisted radiology and surgery
|February 15, 2025
概括
这项研究开发了一种使用超声波图像和深度转移学习的非侵入性AI模型,用于识别皮质甲状腺癌中的BRAFV600E突变. DTLR模型实现了高精度,为侵入性遗传测试提供了一个有希望的替代方案.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- BRAFV600E突变在乳头甲状腺癌 (PTC) 中很常见.
- 目前的BRAFV600E突变检测方法是侵入性的.
- 需要用于识别BRAFV600E突变的非侵入性方法.
研究的目的:
- 开发一种非侵入性人工智能 (AI) 模型,用于识别PTC中的BRAFV600E突变.
- 从超声波图像中提取放射性特征并利用深度转移学习 (DTL).
- 为了改善诊断能力,将DTL和放射学结合起来.
主要方法:
- 感兴趣的区域 (ROI) 在超声波图像中进行了注释.
- 放射性和DTL特征被提取并组合成一个DTLR模型.
- 用Lasso回归来选择特征,并使用8种机器学习方法来构建模型.
- 使用AUC,精度,灵敏度和特异性来评估性能. 使用Grad-CAM进行可视化.
主要成果:
- DTLR模型,特别是ResNet152,有效地识别了BRAFV600E突变.
- 在验证组中,最佳的DTLR模型实现了0.833的AUC,准确率为80.6%,灵敏度为76.2%,特异性为81.7%.
- DTLR模型的性能优于独立的DTL和无线电学模型.
- 格拉德-CAM可视化证实了模型识别相关超声波图像特征的能力.
结论:
- 基于ResNet152的DTLR模型显示了使用超声波在PTC患者中非侵入性识别BRAFV600E突变的显著潜力.
- 格拉德-CAM可以帮助对BRAF突变进行视觉分层.
- 建议使用更大的数据集进行进一步的多中心验证.
更多相关视频
07:49Characterize Disease-related Mutants of RAF Family Kinases by Using a Set of Practical and Feasible Methods
Published on: July 17, 2019
6.0K
06:44Author Spotlight: Integrating BRET-Based Assays and Rare Mutation Analysis to Decipher RAF Kinase Regulation in Live Cells
Published on: March 1, 2024
928
