王荃 1,2 , 沈勤 3 , 张泽林 1,2 , 蔡程飞 1,2 , 鲁浩达 1,2 , 周晓军 3 , 徐军 1,2
  • 1. 南京信息工程大学 自动化学院(南京 210044);
  • 2. 江苏省大数据分析技术重点实验室(南京 210044);
  • 3. 南京军区总医院 病理科(南京 210002);
导出 下载 收藏 扫码 引用

肺癌是一种常见的肺部恶性肿瘤,是全球发病率和死亡率最高的恶性肿瘤。对于发生了表皮生长因子受体(EGFR)基因突变的晚期非小细胞型肺癌患者,可以使用靶向药物来进行针对性治疗。EGFR 基因突变的检测方法很多,但是各有优缺点。本文拟通过探索非小细胞型肺癌苏木精-伊红(HE)染色的全扫描组织病理图像形态学特征与患者 EGFR 基因突变之间的关联,达到预测 EGFR 基因突变风险的目的。实验结果表明,本文所提出的 EGFR 基因突变风险预测模型的曲线下面积(AUC)在测试集上可达 72.4%,准确率为 70.8%,提示非小细胞型肺癌全扫描组织病理图像中的组织形态学特征与 EGFR 基因突变之间存在密切关联。本文从病理图像的尺度来分析基因分子表型,将病理组学和分子组学相融合,建立 EGFR 基因突变风险预测模型,揭示全扫描组织病理图像和 EGFR 基因突变风险的关联性,或可为该领域提供一个颇具前景的研究方向。

引用本文: 王荃, 沈勤, 张泽林, 蔡程飞, 鲁浩达, 周晓军, 徐军. 基于深度学习和组织形态分析的肺癌基因突变预测. 生物医学工程学杂志, 2020, 37(1): 10-18. doi: 10.7507/1001-5515.201904018 复制

  • 上一篇

    基于迁移学习的小样本重症疾病预后模型
  • 下一篇

    三氧化二砷对肝癌细胞HepG2迁移、侵袭和凋亡的影响