深度学习放射病理学预测了EGFR突变肺腺癌的向治疗灵敏度
Taotao Yang1,2, Xianqi Wang1,2, Yuan Jin3
1Department of Radiology, Southwest Hospital, Army Medical University (Third Military Medical University), Chongqing, 400038, China.
Journal of translational medicine
|April 29, 2025
概括
结合CT扫描,病理和临床数据的新型深度学习模型准确地预测了接受氨酸激酶抑制剂 (TKI) 的EGFR突变肺腺癌患者的治疗反应. 这个工具有助于个性化肺癌治疗.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是指放射学
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 氨酸激酶抑制剂 (TKI) 是EGFR突变肺腺癌的标准第一线治疗方法.
- 对TKIs的治疗反应在EGFR突变患者之间有所不同.
- 预测TKI反应对于优化肺癌治疗策略至关重要.
研究的目的:
- 开发一个深度学习放射病理临床 (DLRPC) 模型.
- 为了整合CT图像,H&E染色活检样本和临床数据来预测反应.
- 评估DLRPC模型在预测EGFR突变肺腺癌中TKI反应方面的有效性.
主要方法:
- 对214名肺腺癌患者的回顾性分析,这些患者接受了TCI治疗.
- 开发一个DLRPC模型,将CT,病理和临床数据与基于临床的注意力面具结合起来.
- 将DLRPC模型性能与单模模式模型和使用AUC,精度,灵敏度,特异性,PPV和NPV的Dempster-Shafer决策级融合模型进行比较.
主要成果:
- DLRPC模型实现了0.8424.4的曲线下的高面积 (AUC).
- DLRPC显著优于单模CT (AUC=0.6894),病理学 (AUC=0.7753) 和临床模型 (AUC=0.8052) 的表现.
- 与决策级融合模型相比,DLRPC模型也表现出优异的性能 (AUC=0.8132).
结论:
- DLRPC模型是预测EGFR突变肺腺癌TKI反应的有效工具.
- 这种综合方法为肺癌个性化治疗决策提供了一个有希望的途径.
- DLRPC模型增强了肺腺癌患者的精密医学.
