PT -期刊文章盟烁王盟-施精云盟Zhaoxiang你们盟迪东盟东东Yu AU -μ周盟刘英AU - Olivier Gevaert AU -库恩王盟Yongbei朱盟-宏宇周盟宇刘盟杰田TI -预测EGFR突变状态在肺腺癌的ct图像使用深度学习援助- 10.1183/13993003.00986 -2018 DP - 2019年3月01 TA -欧洲呼吸杂志》第六PG - 1800986 - 53年的IP - 3 4099 - //www.qdcxjkg.com/content/53/3/1800986.short 4100 - //www.qdcxjkg.com/content/53/3/1800986.full所以欧元和J2019 3月01;53 AB -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显著提高CT特征或临床特征(术中,0.001)。深度学习分数显示显著差异EGFR-mutant和EGFR-wild类型肿瘤(术中,0.001)。Since CT is routinely used in lung cancer diagnosis, the deep learning model provides a non-invasive and easy-to-use method for EGFR mutation status prediction.Deep learning provides a noninvasive method for EGFR mutation prediction (AUC 0.81) in lung adenocarcinoma, which shows significant improvement over using hand-crafted CT features or clinical characteristics http://ow.ly/LtDJ30nhc5Q