利用深度学习挖掘全脑信息以预测脑转移性非小细胞肺癌（NSCLC）中的EGFR突变及其亚型：一项多中心研究

《MEDICAL PHYSICS》：Mining whole-brain information with deep learning to predict EGFR mutation and subtypes in brain-metastatic NSCLC: A multicenter study

EGFR突变检测通过深度学习模型结合多中心MRI数据实现，适用于脑转移非小细胞肺癌患者个性化治疗评估。

　　

摘要

背景

表皮生长因子受体（EGFR）及其突变亚型在非小细胞肺癌（NSCLC）患者的治疗中起着关键作用。因此，开发一种准确、无创的定量方法来预测EGFR基因型对于个性化治疗至关重要。

目的

利用基于深度学习的方法和全脑信息，通过MRI图像预测患有脑转移（BM）的NSCLC患者的EGFR突变和亚型。

方法

本研究共纳入293名患有脑转移的患者。主要数据集包含来自中心1的170名患者（时间范围为2017年1月至2021年12月）；外部数据集分别包含来自中心2的62名患者（时间范围为2014年7月至2021年10月）和来自中心3的61名患者（时间范围为2020年1月至2022年10月）。所有患者在基因检测前均接受了增强型T1加权（T1CE）和T2加权（T2W）脑部MRI扫描。通过挖掘全脑信息，开发了一个EGFR位点识别网络（ESR-Net）来预测EGFR突变和亚型。ESR-Net结合了可变形卷积网络和辅助网络，分别用于提取有意义的突变特征和增强肿瘤特征。深度学习模型的预测性能通过曲线下面积（AUC）进行分析。

结果

在EGFR突变的预测方面，ESR-Net表现出优异的性能，其在主要数据集和外部验证数据集中的AUC值介于0.835至0.840之间，优于传统的最先进方法。此外，ESR-Net在预测EGFR外显子19（Del19）突变时的AUC值为0.858至0.904，在预测EGFR外显子21（L858R）突变时的AUC值为0.838至0.903。

结论

所开发的ESR-Net利用多中心数据展示了早期检测EGFR突变和亚型的巨大潜力，这可能有助于优化脑转移NSCLC患者的治疗管理。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

本研究中使用和/或分析的数据集可应合理请求向相应作者获取。