关于大脑转移的深度学习,用于预测EGFR基因型和EGFR-TKI在转移性NSCLC中的治疗反应:一个多中心研究

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 分子诊断学 分子诊断学

背景情况:

• 大脑转移常见于晚期非小细胞肺癌 (NSCLC),特别是表皮生长因子受体 (EGFR) 突变.
• 准确预测EGFR突变状态和治疗反应对于脑转移 (BM) 的NSCLC患者有效的向治疗至关重要.
• 目前的方法可能缺乏最佳个性化治疗策略所需的精度.

研究的目的:

• 开发和验证一种深度学习 (DL) 方法,用于在患有BM的NSCLC患者中自动预测EGFR基因型.
• 评估DL模型在预测对EGFR - 铁氨酸激酶抑制剂 (TKI) 治疗的反应的能力.
• 建立一种非侵入性工具,以协助临床决策,为个性化NSCLC治疗提供帮助.

主要方法:

• 开发了一个深度学习系统 (EGFR-TKI系统,ETS),使用对比度增强的T1加权 (T1CE) 和T2加权 (T2W) 脑MRI扫描对388名患有BM的NSCLC患者进行.
• 该ETS在三个中心接受了培训和验证,并结合了放射学特征和临床因素.
• 使用接收器操作特征 (ROC) 曲线分析严格评估模型性能,包括曲线下的面积 (AUC),灵敏度和特异性.

主要成果:

• 在预测EGFR突变状态方面,ETS取得了很高的表现,AUC为0.842 (内部),0.833 (外部1) 和0.832 (外部2).
• 结合MRI数据和临床因素的融合模型在预测EGFR-TKI治疗反应方面表现出有效性,产生0.747 (内部),0.726 (外部1) 和0.728 (外部2) 的AUC.
• 这些结果表明,在不同的验证队列中,具有强大的预测能力.

结论:

• 开发的EGFR-TKI系统 (ETS) 显示出作为一种非侵入性工具的显著潜力,用于预测患有BM的NSCLC患者的EGFR突变状态.
• ETS还可以预测对EGFR-TKI治疗的反应,为治疗选择提供有价值的见解.
• 这种基于DL的方法有望帮助临床医生定制个性化治疗策略,以改善患者的治疗结果.