文献类型：期刊文章

作　　者：黄栎有[1,3,4] 牛磊[5] 徐璐[3,4] 王延花[3,4] 李辉[2] 李智勇[2]

HUANG Liyou;NIU Lei;XU Lu;WANG Yanhua;LI Hui;LI Zhiyong(School of Medical Imaging,Xuzhou Medical University,Xuzhou,Jiangsu Province 221006,China;Department of Nuclear Medicine,the Affiliated Hospital of Xuzhou Medical University,Xuzhou,Jiangsu Province 221006,China;Department of Oncology,Suqian Hospital Affiliated to Xuzhou Medical University,Suqian,Jiangsu Province223800,China;Department of Oncology,Suqian Hospital of Nanjing Drum Tower Hospital Group,Suqian,Jiang su Province 223800,China;Department of Radiology,Suqian Hospital of Nanjing Drum Tower Hospital Group,Suqian,Jiangsu Province 223800,China)

机构地区：[1]徐州医科大学影像学院,江苏徐州221006 [2]徐州医科大学附属医院核医学科,江苏徐州221006 [3]徐州医科大学附属宿迁医院肿瘤科,江苏宿迁223800 [4]南京鼓楼医院集团宿迁医院肿瘤科,江苏宿迁223800 [5]南京鼓楼医院集团宿迁医院放射科,江苏宿迁223800

出　　处：《实用放射学杂志》

基　　金：江苏省卫生健康委员会医学科研指导性项目(Z2022023);宿迁市指导性科技计划项目(Z2021101);徐州医科大学附属医院发展基金项目(XYFY2021044)。

年　　份：2022

卷　　号：38

期　　号：10

起止页码：1598-1602

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、JST、ZGKJHX、核心刊

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

分 类 号：R445] R734.2] R814.42[临床医学类]