深度学习模型用于预测结直肠癌肝转移中的RAS基因状态

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:

• 大肠直肠癌肝脏转移 (CRLM) 构成了重大的临床挑战.
• 准确评估老鼠肉瘤 (RAS) 瘤基因状态对于指导向治疗至关重要.
• 需要使用非侵入性方法来预测RAS状态.

研究的目的:

• 开发和验证使用对比增强计算机断层扫描 (CECT) 的深度学习放射学 (DLR) 模型.
• 在CRLM患者中评估RAS基因状态.
• 预测针对性治疗的反应和患者的存活率.

主要方法:

• 一个多中心的回顾性研究包括了185名CRLM患者在培训,内部和外部测试队列.
• 从CECT图像中提取了放射性特征和深度学习 (DL) 签名.
• 开发并使用AUROC曲线验证了多种模型,包括基于DL和放射学方法.

主要成果:

• 结合动脉和静脉阶段DL模型 (AP+VP-DL) 实现了最高的预测性能 (AUC = 0.98).
• DL得分与整体存活时间 (OS) 有显著的关联.
• 高危RAS突变状态与明显较差的生存率相关.

结论:

• 开发的DL模型有效地预测了RAS基因状态的非侵入性.
• 这种预测能力有助于临床医生为CRLM做出明智的治疗决定.
• 该模型显示了通过个性化治疗改善患者治疗结果的潜力.