联合CT影像组学与深度学习特征建立列线图预测肺腺癌表皮生长因子受体突变

摘要：

目的 探讨基于CT影像组学与深度学习特征对肺腺癌表皮生长因子受体(EGFR)突变的预测价值.方法 回顾性分析228例肺腺癌患者的临床及影像资料.从常规CT图像中分别提取患者的影像组学特征和深度学习特征.通过最小绝对收缩和选择算子(LASSO)方法分别对影像组学特征和深度学习特征进行降维并计算得到影像组学得分(Radscore)和深度学习得分(Deepscore).采用多因素Logistic回归分析建立预测模型并绘制列线图,并对列线图的校准度、诊断效能和临床价值进行评价.结果 多因素Logistic回归结果显示Radscore、Deepscore、性别、吸烟状态和胸膜凹陷征为独立预测因子.联合预测模型在训练集和验证集中曲线下面积(AUC)分别为0.913、0.794.决策曲线分析(DCA)表明,列线图在0.15～0.75和0.81～0.99阈值范围时具有较好的临床应用潜力.结论 影像组学特征联合深度学习特征能够较好地预测肺腺癌EGFR基因突变,有望成为临床预测EGFR突变的一种新技术手段.

关键词：影像组学、肺腺癌、表皮生长因子受体、深度学习、计算机体层成像

所属期刊栏目：38

分类号：R445;R734.2;R814.42(诊断学)

资助基金：江苏省卫生健康委员会医学科研指导性项目;宿迁市指导性科技计划项目;徐州医科大学附属医院发展基金

在线出版日期：2022-11-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1598-1602,1632