基于深度学习的CT影像预测胃癌HER2状态
目的:构建并验证一个深度学习模型,旨在全自动流程地对胃癌病灶进行检出并预测胃癌患者人表皮生长因子受体(HER2)状态.方法:回顾性收集经手术病理证实为胃癌及明确HER2状态的135例胃癌患者CT及临床数据(HER2阴性88例;HER2阳性47例),随机分为训练集(n=95)和验证集(n=40).基于级联nnUNet神经网络建立胃分割模型和胃癌自动检出模型,选择合适区域,以此建立基于ResNet网络的HER2状态预测模型,并验证模型的预测性能.结果:胃分割模型五折交叉验证的Dice系数为91.4%.胃癌检出模型在训练集和验证集中检出率分别为96.8%和97.5%.HER2预测模型敏感度训练集为78.1%,95% 置信区间(CI)(61.2%,88.9%);验证集为71.4%,95%CI(45.4%,88.3%).特异性训练集为67.9%,95%CI(54.8%,78.6%);验证集为69.2%,95%CI(50.0%,83.5%).ROC曲线下面积(AUC)训练集为84.0%,95%CI(76.4%,90.7%);验证集为78.6%,95%CI(65.9%,90.0%).结论:本研究建立的胃癌HER2预测模型不仅可自动检出胃癌,还作为非侵入性工具在预测HER2状态方面具有良好性能,具有指导临床评估的价值.
胃癌、深度学习、人表皮生长因子受体2(HER2)、电子计算机断层摄影(CT)
44
R735.2;R318(肿瘤学)
国家重点研发计划;国家青年科学基金项目;中国博士后科学基金;中国博士后科学基金;广东省重点实验室项目
2023-04-23(万方平台首次上网日期,不代表论文的发表时间)
共9页
78-86