构建一个放射基因组学预测模型,用于非小细胞肺癌患者的KRAS突变状态

科学领域:

• 在瘤学瘤学.
• 无线电学 (Radiomics) 是一种无线电学.
• 基因组学就是基因组学.
• 人工智能的人工智能

背景情况:

• 非小细胞肺癌 (NSCLC) 是一个主要的全球健康问题.
• KRAS突变是NSCLC病原和治疗选择的关键驱动因素.
• 准确预测KRAS突变状态对于个性化治疗至关重要.

研究的目的:

• 开发和验证一个DE-ANN模型,用于预测NSCLC中的KRAS突变状态.
• 整合PET/CT放射学和基因组学数据,以提高预测准确度.
• 展示精密瘤学多学科整合的潜力.

主要方法:

• 利用来自公共数据库的PET/CT放射学和基因组学数据.
• 采用LASSO回归和SVM-RFE进行特征选择.
• 开发和优化了一个差异进化优化的人工神经网络 (DE-ANN) 模型.
• 使用Bootstrap重抽样进行了内部验证.

主要成果:

• DE-ANN模型实现了0.909的高AUC,超过了传统的ANN模型 (AUC=0.819).
• 确定了重要的放射性特征和基因标记,可预测KRAS状态.
• 证明了增强的融合率和强大的内部验证结果.
• 校准和决策曲线分析证实了临床适用性.

结论:

• DE-ANN模型在预测NSCLC中的KRAS突变状态方面取得了重大进展.
• 该模型的高精度和稳定性突显了其在精密瘤学的潜力.
• 为了更广泛的临床应用和在其他癌症中进行探索,需要进一步的外部验证.