基于术前增强计算机断层扫描的深度学习模型预测胃癌人表皮生长因子受体2表达状态的研究
Deep learning-based contrast-enhanced computed tomography for preoperative prediction of human epidermal growth factor receptor 2 expression in gastric cancer
摘要：目的 探讨基于增强计算机断层扫描（computed tomography, CT）的深度学习模型在术前预测胃癌患者人表皮生长因子受体2（human epidermal growth factor receptor 2, HER2）表达状态的临床价值。方法 本研究为回顾性研究，选取2015年1月1日至2023年8月31日在广州市红十字会医院接受术前增强CT检查并于胃切除术后检测HER2状态的265例胃癌患者，采用随机数字表法按照约6∶2∶2的比例分为训练集165例、验证集54例、测试集46例。提取患者术前增强CT动脉期（arterial phase, AP）、静脉期（venous phase, VP）、延迟期（delayed phase, DP）影像学特征，分别构建单期相及多期相融合（multi-phase fusion, MP）深度学习模型，通过受试者操作特征曲线（receiver operating characteristic curve, ROC曲线）评估各模型预测胃癌 HER2 表达状态的性能。结果 在训练集、验证集、测试集中，HER2阳性病例占比分别为18.8%（31/165）、24.1%（13/54）、19.6%（9/46），阴性病例占比分别为81.2%（134/165）、75.9%（41/54）、80.4%（37/46）。在验证集中，AP、VP、DP、MP模型的曲线下面积（area under the curve, AUC）依次为0.670（95%CI 0.666~0.673）、0.875（95%CI 0.871~0.877）、0.636（95%CI 0.635~0.641）、0.895（95%CI 0.894~0.896）；在测试集中，上述4个模型的AUC分别为0.738（95%CI 0.734~0.740）、0.671（95%CI 0.666~0.673）、0.636（95%CI 0.635~0.641）、0.783（95%CI 0.782~0.786），MP模型在验证集（与AP、VP、DP模型比较，Z=121.2、12.5、160.6，均P＜0.001）和测试集（与AP、VP、DP模型比较，Z=24.5、54.5、79.9，均P＜0.001）中的AUC均最高。结论 基于增强CT的深度学习模型可有效在术前预测胃癌HER2表达状态，为临床术前评估和治疗决策提供可靠的辅助方法。
作者：陈小佩，徐凡，李艳梅，叶郭锡，廖智，张创嘉，步军
友情链接
