基于F-FDG PET/CT的综合临床-放射学-深度学习模型,用于预测肺腺癌中的EGFR突变状态

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:

• 肺腺癌 (LUAD) 治疗以EGFR突变状态为指导.
• 对EGFR突变状态的非侵入性预测对于个性化治疗至关重要.

研究的目的:

• 开发和验证一个综合模型,用于预测LUAD中的EGFR突变状态,使用预处理18F-FDG PET/CT成像.
• 为了比较临床,临床放射学和临床放射学深度学习模型的预测性能.

主要方法:

• 对218名LUAD患者的数据进行了回顾性分析,包括PET/CT图像,临床特征和EGFR突变状态.
• 开发了三个模型:临床 (C),临床放射学 (CR) 和临床放射学深度学习 (CRD).
• 该CRD模型整合了临床特征,基于ConvNext的深度学习得分,以及LASSO选择的放射性特征.

主要成果:

• CRD模型实现了0.821的曲线下面积 (AUC),超过了C模型 (AUC=0.599) 和CR模型 (AUC=0.739).
• 统计分析 (DeLong测试) 证实了CRD模型的显著优势 (p<0.001).
• 校准曲线和决策曲线分析证明了CRD模型的稳定性和临床实用性,导致了用于个性化风险预测的名图.

结论:

• 整合临床,放射性和深度学习特征提供了一个有希望的非侵入性方法,用于预测LUAD中的EGFR突变状态.
• 开发的CRD模型显示了改善肺腺癌患者治疗决策的潜力.