【佳学基因检测】基因检测如何促进影像诊断技术与学科的发展
基因检测与现代影响像学结合项目的研究目的:
建立具有普遍应用价值的人工智能模型,用于通过影像学分析评估病人是否存在基因检测靶点EGFR的突变,对非小细胞肺癌患者表皮生长因子受体(EGFR)突变状态进行分类。利用这一模型与病人的基因检测结果进行验 证,检测模型有效性。
基因检测与现代影像学智能结合可能性的研究方法:
研究采用由四个dota2吧雷电竞 中心的的供346名患者的数据。其中296名的数据用于算法训练, 其中50名用于算法结果验证。肺癌《人体基因序列变化与影像特征》研究组使用IBEX从CT图像中提取1085个特征,用对其进行标记。使用组内相关系数、假设检验和贼小先进收缩和选择算子筛选特征。采用Logistic回归(LR)、决策树(DT)、随机森林(RF)和支持向量机(SVM)建立分类的放射组学模型。使用以下指标对模型进行评估:曲线下面积(AUC)、校准曲线(CAL)、决策曲线分析(DCA)、一致性指数(C指数)和Brier评分。
基因检测与CT影像深度智能结合研究的结果:
选择16个特征,并使用Logistic回归、决策树、随机森林和支持向量机建立模型。在训练队列中,AUC分别为.723、.842、.995和.883;在验证队列中,AUC分别为.658 .0567, . 88和.765。具有贼佳AUC的RF模型,其CAL、C指数(训练队列=0.998;验证队列=0.883)和Brier评分(训练队列=0.007;验证队列=0.137)显示出令人满意的预测正确性;DCA结果表明,该模型具有较好的临床应用价值。
基因检测与CT影像学诊断方法的相互促进:
基于CT图像的机器学习模型可用于评估非小细胞肺癌患者的EGFR基因检测得到的基因突状态,RF模型优于LR、DT和SVM。
基因检测与传统影像技术结合关键词:
计算机断层扫描;表皮生长因子受体;机器学习;非小细胞肺癌;放射组学
(责任编辑:佳学基因)