科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 探讨基于CT机器学习和深度学习网络预测肺腺癌表皮生长因子受体基因突变的价值。资料与方法 回顾性分析2018年10月—2020年11月遵义医科大学附属医院术前接受胸部CT检查的173例肺腺癌患者（其中表皮生长因子受体突变119例）。使用Lung Intelligence Kit软件对胸部CT图像进行预处理、病灶感兴趣区分割及组学特征提取。通过最小冗余最大相关和最小绝对收缩和选择算子回归算法进行特征筛选降维。随后分别采用逻辑回归和深度学习网络进行模型的构建，绘制受试者工作特征曲线，并通过曲线下面积（AUC）比较其效能，在验证集上进行独立验证。结果 每个病灶共提取1 037个组学特征，经过特征筛选共选取9个具有显著性的特征。基于逻辑回归模型，在训练集和验证集中预测效能AUC分别为0.730、0.700；基于深度学习网络模型训练集和验证集的AUC分别为0.738、0.682，两个模型预测效能差异无统计学意义（Z=0.564,P=0.573）。最后选取较简单的逻辑回归模型与临床筛选指标联合建模，训练集AUC为0.840，验证集为0.710。结论 基于机器学习和深度学习网络构建组学模型均能较好地预测肺腺癌表皮生长因子受体基因突变，有较好的应用价值。
- 单位
