基于机器学习的放射组学预测非小细胞肺癌EGFR基因突变
胡丽霞
江长思
罗燕
梅东东
龚静山
马捷
1.暨南大学第二临床医学院深圳市人民医院放射科 广东深圳5180202.暨南大学第二临床医学院深圳市人民医院放射科 广东深圳5180203.暨南大学第二临床医学院深圳市人民医院放射科 广东深圳5180204.暨南大学第二临床医学院深圳市人民医院放射科 广东深圳5180205.暨南大学第二临床医学院深圳市人民医院放射科 广东深圳5180206.暨南大学第二临床医学院深圳市人民医院放射科 广东深圳518020
摘要：目的 基于机器学习建立并验证放射组学预测非小细胞肺癌(non-small cell lung cancer,NSCLC)表皮生长因子受体(epidermal growth factor receptor,EGFR)基因突变模型.方法 收集462例病理证实的NSCLC且术前行CT和明了EGFR基因状态的患者.从患者术前薄层CT中提取107个放射组学特征.采用随机森林(random forest)建立机器学习模型预测NSCLC的EGFR突变状态,并采用5-折叠交叉验证进行校正.结果 462例NSCLC患者中,EGFR突变型214例(46.3％).单因素分析发现5个特征以及吸烟状况和性别与EGFR突变相关.利用这5个放射组学特征以及吸烟状态和性别构建随机森林模型在训练集对EGFR突变的ROC曲线下面积(he area under the ROC curve,AUC)为0.774,敏感性为74.5％,特异性为79.1％.在验证集中AUC为0.756,敏感性为79.7％,特异性为65.7％.结论 基于机器学习的放射组学模型能较好的预测NSCLC的EGFR的突变,有助于临床医生术前治疗方案的选择.
关键词：非小细胞肺癌体层摄影术X线计算机放射组学机器学习
分类号：R734.2(呼吸系肿瘤)R814.42(放射医学)
论文发表日期：2019-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：4( 1128-1131 )
英文信息