文摘
表皮生长因子受体(EGFR)基因分型结果的关键治疗指南等在肺腺癌酪氨酸激酶抑制剂的使用。传统的表皮生长因子受体基因型鉴定需要活检和序列检测入侵和可能遭受的困难获取组织样本。在这里,我们提出一个深度学习模型来预测EGFR突变状态在肺腺癌中使用非侵入性的计算机断层扫描(CT)。
我们回顾性收集数据从844年肺腺癌患者术前CT图像,表皮生长因子受体突变从两家医院和临床信息。一个端到端的深度学习模型提出了预测CT扫描的表皮生长因子受体突变状态。
通过训练14 926 CT图像,深度学习模型取得了令人鼓舞的预测性能的主组(n = 603;AUC 0.85, 95% CI 0.83 - -0.88)和独立验证组(n = 241;AUC 0.81, 95% CI 0.79 - -0.83),显示先前的研究是用手工CT特征或显著提高(p < 0.001)的临床特征。深度学习分数显示显著差异EGFR-mutant和EGFR-wild类型肿瘤(p < 0.001)。
由于CT是经常用于肺癌诊断、深度学习模型提供了一个非侵入性和易于使用的表皮生长因子受体突变状态预测方法。
文摘
深度学习EGFR突变预测提供了一种无创方法(AUC 0.81)在肺腺癌,显示使用手工CT特性显著提高或临床特点http://ow.ly/LtDJ30nhc5Q
脚注
可以从本文的补充材料www.qdcxjkg.com
作者的贡献:d .董j .史刘y和z你们收集临床数据集。k . Wang和y z . Liu朱处理和分析数据。h .周提供统计分析。王,d . Yu和m .周深度学习模型和写这篇文章。o . Gevaert和j·田项目构思和编辑这篇文章。
利益冲突:美国王没有披露。
利益冲突:j .史没有披露。
利益冲突:z .你们没有披露。
利益冲突:d盾没有披露。
利益冲突:d . Yu没有披露。
利益冲突:m .周没有披露。
利益冲突:y刘没有披露。
利益冲突:o . Gevaert没有披露。
利益冲突:k .王没有披露。
利益冲突:y朱没有披露。
利益冲突:h .周没有披露。
利益冲突:z刘没有披露。
利益冲突:j .田没有披露。
支持声明:这项工作得到了中国国家重点研发项目(2017 yfa0205200 2017 yfc1308700 2017 yfc1309100和2016 yfc010380),中国国家自然科学基金(81227901,81227901,81227901,61231004,81671851,81527805),北京市科学技术委员会(Z171100000117023 Z161100002616022),北京市自然科学基金(L182061),中国科学院国际合作(173211 kysb20160053),中国科学院仪器开发项目(YZ201502)和青年创新促进会CAS (2017175)。o . Gevaert得到了国家生物医学成像和生物工程研究所的美国国立卫生研究院R01EB020527奖号码。资金信息,本文已沉积的Crossref资助者注册表。
- 收到了2018年5月30日。
- 接受2018年12月31日。
- 版权©2019人队
这个版本分布在创作共用署名非商业性许可证的条款4.0。