【佳學基因檢測】基因檢測如何促進影像診斷技術與學科的發(fā)展

基因檢測與現(xiàn)代影響像學結合項目的研究目的：

建立具有普遍應用價值的人工智能模型，用于通過影像學分析評估病人是否存在基因檢測靶點EGFR的突變，對非小細胞肺癌患者表皮生長因子受體（EGFR）突變狀態(tài)進行分類。利用這一模型與病人的基因檢測結果進行驗 證，檢測模型有效性。

基因檢測與現(xiàn)代影像學智能結合可能性的研究方法：

研究采用由四個癌癥中心的的供346名患者的數(shù)據(jù)。其中296名的數(shù)據(jù)用于算法訓練， 其中50名用于算法結果驗證。肺癌《人體基因序列變化與影像特征》研究組使用IBEX從CT圖像中提取1085個特征，用對其進行標記。使用組內相關系數(shù)、假設檢驗和最小先進收縮和選擇算子篩選特征。采用Logistic回歸（LR）、決策樹（DT）、隨機森林（RF）和支持向量機（SVM）建立分類的放射組學模型。使用以下指標對模型進行評估：曲線下面積（AUC）、校準曲線（CAL）、決策曲線分析（DCA）、一致性指數(shù)（C指數(shù)）和Brier評分。

基因檢測與CT影像深度智能結合研究的結果：

選擇16個特征，并使用Logistic回歸、決策樹、隨機森林和支持向量機建立模型。在訓練隊列中，AUC分別為.723、.842、.995和.883；在驗證隊列中，AUC分別為.658  .0567, . 88和.765。具有最佳AUC的RF模型，其CAL、C指數(shù)（訓練隊列=0.998；驗證隊列=0.883）和Brier評分（訓練隊列=0.007；驗證隊列=0.137）顯示出令人滿意的預測正確性；DCA結果表明，該模型具有較好的臨床應用價值。

基因檢測與CT影像學診斷方法的相互促進：

基于CT圖像的機器學習模型可用于評估非小細胞肺癌患者的EGFR基因檢測得到的基因突狀態(tài)，RF模型優(yōu)于LR、DT和SVM。

基因檢測與傳統(tǒng)影像技術結合關鍵詞：

計算機斷層掃描；表皮生長因子受體；機器學習；非小細胞肺癌；放射組學

• 上一篇：【佳學基因檢測】腫瘤基因檢測的科學性及其如何幫助治療
• 下一篇：【佳學基因檢測】腫瘤基因檢測為什么要增加hnRNP A1和hnRNP C和miR-17、miR-18

• 收藏
• 挑錯
• 推薦
• 打印