文章摘要
高续，庞奇，张宏杰，王小雷，郝继元，谢玉海.基于深度学习自动分割技术的胸部CT影像组学模型预测非小细胞肺癌EGFR基因突变[J].放射学实践,2025,(05):573-578
基于深度学习自动分割技术的胸部CT影像组学模型预测非小细胞肺癌EGFR基因突变
  
DOI：10.13609/j.cnki.1000-0313.2025.05.003
中文关键词: 非小细胞肺癌  表皮生长因子受体  体层摄影术，X线计算机  影像组学  深度学习
基金项目:北京医学奖励基金会睿影基金资助项目（YXJL-2022-0105-0116）；皖南医学院科研项目（WK2023JXYY100）
作者单位
高续，庞奇，张宏杰，王小雷，郝继元，谢玉海 236600安徽，太和县人民医院 皖南医学院附属太和医院放射影像科（高续、王小雷、郝继元、谢玉海），心胸外科（庞奇、张宏杰） 
摘要点击次数: 251
全文下载次数: 236
中文摘要:
      【摘要】目的:探讨基于深度学习自动分割技术的胸部CT影像组学模型预测非小细胞肺癌EGFR基因突变的价值。方法:回顾性分析171例经病理证实为非小细胞肺癌且行EGFR基因检测患者的临床及影像资料。按照7:3比例随机拆分为训练组119例（EGFR野生型43例和突变型76例）和验证组52例（EGFR野生型19例和突变型33例）。采用深度学习自动分割技术进行病灶感兴趣区勾画，运用pearson相关性分析和最小绝对收缩和选择算子进行特征筛选，应用支持向量机（SVM）构建预测EGFR基因突变的影像组学模型。临床指标及结节定量参数经单因素及多因素分析构建临床模型，临床指标联合影像组学评分构建列线图。采用受试者工作特征（ROC）曲线评估模型的预测效能，绘制决策曲线分析评价模型的临床应用价值。结果:共筛选出4个最佳影像组学特征构建SVM影像组学模型，其在训练组、验证组中预测EGFR基因突变的AUC分别为0.872、0.833。由最大CT值和吸烟史构建临床模型，其在训练组、验证组中预测EGFR基因突变的AUC分别为0.731、0.770。由吸烟史和影像组学评分构建列线图模型，其在训练组、验证组中预测EGFR基因突变的AUC分别为0.879、0.839。结论:基于深度学习自动分割技术构建的胸部CT影像组学模型对预测NSCLC患者EGFR基因突变具有较高的临床应用价值，临床指标加入未能显著提高其预测效能。
      
查看全文   下载PDF阅读器
关闭