基于深度学习的多模式特征交互导向融合:在晚期肺腺癌中提高EGFR的评估

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 计算病理学计算病理学

背景情况:

• 肺腺癌是癌症死亡的主要原因之一.
• 对表皮生长因子受体 (EGFR) 突变的准确预测对于指导肺腺癌治疗决策至关重要.
• 目前的诊断方法可能无法充分利用多模式数据来预测EGFR突变.

研究的目的:

• 开发和验证基于深度学习的多式联通功能交互引导融合 (DL-MFIF) 框架.
• 整合计算机断层扫描 (CT) 图像中的宏观信息与整片图像 (WSI) 的微观信息.
• 在患有晚期疾病的患者中预测原发性肺腺癌中的EGFR突变.

主要方法:

• 使用深度学习开发了一个DL-MFIF框架,以融合CT扫描中的放射性特征和WSI中的基因病理特征.
• 使用了来自两个机构的396名肺腺癌患者的数据,包括培训,内部验证和外部验证集.
• 该框架捕捉了宏观特征 (CT) 和微观特征 (WSI) 之间的相互作用.

主要成果:

• 与其他分类模型相比,DL-MFIF模型实现了更高的性能.
• 获得了曲线下的高面积 (AUC) 值:0.856 (内部验证) 和0.817 (外部验证).
• 决策曲线分析和德隆测试证实了该模型的统计学意义和临床实用性.

结论:

• DL-MFIF模型在预测晚期肺腺癌中的EGFR突变方面表现出色.
• 这一框架有助于放射科医生准确地对EGFR突变进行分类,从而有可能改善患者的治疗结果.
• 通过深度学习进行多式数据集成,为肺癌精密瘤学提供了一个有前途的方法.