RT期刊文章SR电子T1预测EGFR突变状态在肺腺癌的ct图像使用深度学习摩根富林明欧洲呼吸杂志乔和J FD欧元欧洲呼吸学会SP 1800986 10.1183/13993003.00986 -2018签证官53是3 A1施王烁A1的减排A1 Zhaoxiang你们A1 Di周董A1东东Yu A1μA1刘英A1 Olivier Gevaert A1库恩王朱A1 Yongbei A188bet官网地址1宏宇周(A1)刘A1杰田年2019 UL //www.qdcxjkg.com/content/53/3/1800986.abstract 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。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