TY -的A2 -钱,Liren AU - Wang Chengdi盟——徐Xiuyuan盟——邵,君非盟-周,凯盟——赵Kefu盟——他,焉耆AU -李,精卫盟——郭,吉祥盟——咦,张非盟-李,音译)PY - 2021 DA - 2021/12/31 TI -深度学习预测EGFR突变在非小细胞肺癌和PD-L1表达状态计算机断层扫描图像SP - 5499385六世- 2021 AB - 客观的。检测表皮生长因子受体(EGFR)基因突变和程序性死亡ligand-1 (PD-L1)表达状况对确定患者的治疗策略是至关重要的非小细胞肺癌(NSCLC)。最近radiomics的快速发展,包括但不限于深度学习技术表明潜在的医学图像在疾病的诊断和治疗。 方法。符合条件的患者诊断/治疗在四川大学华西医院从2013年1月至2019年4月确定的回顾性分析。术前CT图像获取,以及关于表皮生长因子受体基因突变和PD-L1表达式。感兴趣的肿瘤区域(ROI)被经验丰富的呼吸道专家划定手动。我们使用3 d卷积神经网络(CNN)与ROI信息作为输入来构造一个分类模型,建立了预测模型结合深度学习特点和临床特征分层生存肺癌患者的风险。 结果。整个队列( N= 1262)分为训练集( N= 882,70%),验证集( N= 125,10%)和测试集( N= 255,20%)。我们使用了一个3 d卷积神经网络(CNN)构建预测模型,auc为0.96(95%置信区间CI: 0.94 - -0.98), 0.80(95%可信区间:0.72 - -0.88),和0.73(95%置信区间:0.63—-0.83)培训、验证和测试组,分别。合并后的预后模型表现出良好的性能在非小细胞肺癌患者的生存预测(c指数:0.71)。 结论。在这项研究中,提出了一种非侵入性和有效的模型来预测和PD-L1表达EGFR突变作为一个临床决策支持工具。此外,深度学习的结合特性与临床特征表现出伟大的分层功能的预后模型。我们的团队将继续探索成像的应用程序标记肺癌患者的治疗选择。SN - 1687 - 8450 UR - https://doi.org/10.1155/2021/5499385 - 10.1155 / 2021/5499385摩根富林明肿瘤学杂志PB - Hindawi KW - ER