基于放射学和深度学习的EGFR突变状态和肺癌突变部位的预测
Zheng Zeng1,2, Rui Zhang3, Yucai Dong3
1Department of Radiology, State Key Laboratory of Oncology in South China, Collaborative Innovation Center for Cancer Medicine, Sun Yat-sen University Cancer Center/Cancer Hospital, Guangzhou, China.
Journal of thoracic disease
|December 11, 2025
概括
使用放射学和深度学习的新型非侵入性模型准确地预测了非小细胞肺癌 (NSCLC) 的表皮生长因子受体 (EGFR) 突变和亚型. 这种方法有助于为肺癌患者进行个性化治疗计划.
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:
- 皮表皮生长因子受体 (EGFR) 突变是EGFR-氨酸激酶抑制剂 (TKI) 在肺癌中有效性的关键生物标志物.
- 准确识别EGFR突变状态和特定亚型 (例如,外原体19与21),对于指导NSCLC治疗至关重要.
- 目前用于突变检测的侵入性方法存在局限性,需要非侵入性预测方法.
研究的目的:
- 开发和验证一种非侵入性预测模型,用于识别非小细胞肺癌 (NSCLC) 患者的EGFR突变状态和亚型.
- 整合放射学,深度学习和临床数据,以提高预测准确度.
- 评估开发的模型在患者分层和个性化治疗中的临床适用性.
主要方法:
- 从557名已知EGFR基因定型的NSCLC患者的临床和成像数据的回顾性分析.
- 从计算机断层扫描 (CT) 图像中提取放射性特征.
- 机器学习 (SVM,LR) 和深度学习 (ResNet-18,DenseNet-121) 模型的开发,随后将其集成到组合预测模型中.
主要成果:
- 组合模型在预测EGFR突变状态 (AUC: 91.1%,准确率: 85.6%) 和突变亚型 (AUC: 93.6%,准确率: 89.9%) 中表现出很高的性能.
- 与仅使用放射学模型的模型相比,观察到有统计学意义的改善 (P<0.05).
- 校准和决策曲线分析证实了该模型在患者分层和治疗规划方面的临床实用性.
结论:
- 放射学和深度学习的整合提供了一个准确的,非侵入性的方法来预测EGFR突变和NSCLC的亚型.
- 这种方法在优化NSCLC管理中的临床决策方面具有重大潜力.
- 这项研究支持将这种综合模型用于肺癌个性化治疗策略.
