基于CT的放射学和深度学习来预测肺腺癌中的EGFR突变状态
Xingzhi Jiang1,2, Qian Sun1,2,3, Can Wang1,2
1Department of Respiratory Medicine, the First People's Hospital of Yancheng, Yancheng, China.
Frontiers in oncology
|October 20, 2025
概括
一个结合放射学和深度学习的新型非侵入性模型准确地预测了肺腺癌中的表皮生长因子受体 (EGFR) 突变. 这种方法有助于选择针对性疗法,以提供个性化的患者治疗.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 表皮生长因子受体 (EGFR) 突变状态对于肺腺癌的向治疗至关重要.
- 准确预测EGFR突变状态对于个性化治疗策略至关重要.
研究的目的:
- 开发和验证一种非侵入性预测模型,用于肺腺癌中EGFR突变状态.
- 整合放射学和深度学习使用CT图像,以提高预测准确度.
主要方法:
- 对220名肺腺癌患者的回顾性分析.
- 使用视觉变压器 (ViT) 提取放射学功能和深度学习功能.
- 使用ROC曲线和AUC的放射学,ViT和核聚变模型的构建和评估.
主要成果:
- 与个人放射学或深度学习模型相比,融合模型显示出更高的性能.
- 早期的融合模型实现了最高的AUC (0.910),精度 (0.848),灵敏度 (0.872) 和特异性 (0.815).
- 决策曲线分析证实了融合模型的临床实用性.
结论:
- 整合放射学和深度学习为EGFR突变预测提供了一个有希望的非侵入性方法.
- 这种方法支持肺腺癌患者的个性化治疗决策.
- 开发的模型可以帮助临床医生指导向治疗的选择.
