在基于2.5D深度学习模型的直肠癌中识别KRAS突变
Chengmeng Zhang1, Jinge Li2, Peng Chen1
1Radiology Department of Huzhou Central Hospital, Fifth School of Clinical Medicine of Zhejiang Chinese Medical University, Huzhou, China.
Frontiers in oncology
|March 13, 2026
概括
一个2.5D深度学习模型有效地将KRAS突变与野生类型直肠癌区分开来,性能优于放射性模型. 这提供了一种新的非侵入性方法,用于在直肠癌患者中进行术前KRAS突变状态评估.
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:
- 结直肠癌 (RC) 的预后和治疗受到基尔斯大鼠肉瘤病毒瘤基因 (KRAS) 突变状态的影响.
- 准确的手术前识别KRAS突变状态对于个性化治疗策略至关重要.
研究的目的:
- 评估2.5D深度转移学习 (DTL) 模型在区分KRAS突变与野生类型直肠癌方面的有效性.
- 将DTL模型的诊断性能与传统的放射性模型进行比较.
主要方法:
- 对138名直肠癌患者的回顾性分析,包括计算机断层扫描 (CT) 图像和KRAS突变数据.
- 在CT扫描上手动划分瘤感兴趣区域 (ROI).
- 从ROI中提取DTL和放射性特征.
- 使用接收器运行特性曲线 (AUC) 下的面积构建和评估六个机器学习模型 (基于放射学和DTL).
主要成果:
- 在验证组中,DTL模型实现了比放射性模型更高的诊断性能.
- 最好的DTL模型 (支向量机器分类器) 显示AUC为0.913.
- 最佳放射性模型 (XGBoost分类器) 在验证集中实现了0.672的AUC.
结论:
- 一个2.5D深度学习模型显示在区分KRAS突变和野生类型直肠癌方面具有显著的实用性.
- DTL方法提供了一个有希望的非侵入性工具,用于在直肠癌中进行KRAS突变状态的术前评估.
- 深度学习模型在这个分类任务中表现优于传统的放射学.
关键词:
电脑断层扫描X射线扫描深度转移学习 (deep transfer learning) 是一种深度转移学习.基因突变是一种基因突变.无线电学 (radiomics) 是一种无线电学.这是直肠癌.更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
842
09:18Multianimal Magnetic Resonance Imaging for Tumor Measurements in Pancreatic Cancer Mouse Models
Published on: February 3, 2026
738
