基于多参数磁共振成像特征的深度学习预测直肠癌患者的BRAF基因突变状态
Deep learning based on multiparametric magnetic resonance imaging features to predict BRAF gene mutation status in rectal cancer patients
摘要目的 探讨鼠类肉瘤病毒癌基因同源物B基因(B-Raf proto-oncogene serine/threonine kinase,BRAF)突变状态与直肠癌患者生存率的相关性.本研究旨在评估影像组学模型预测结直肠癌患者BRAF基因突变情况的可行性.材料与方法 对我院2020年6月至2023年6月确诊为直肠癌的患者病例资料进行回顾性分析,采用外显子测序鉴定BRAF基因突变状态.通过生存分析评估BRAF基因突变与直肠癌预后的关系.从260名接受多参数MRI的直肠癌患者中提取7388个特征模块,包括术前T1加权图像(T1-weighted imaging,T1WI)、T2加权图像(T2-weighted imaging,T2WI)和对比增强T1加权图像(contrast-enhanced T1-weighted imaging,CE-T1WI).随后,基于卷积神经网络(convolutional neural network,CNN)构建了放射组学模型.通过受试者工作特征曲线(receiver operating characteristic,ROC)曲线、准确率、敏感度和特异度等指标评估模型效能.结果 本研究共纳入89例BRAF突变患者和171例BRAF野生型患者.两组在肿瘤恶性分期、年龄、性别等临床特征上差异无统计学意义(P>0.05),但5年生存率差异存在统计学意义,BRAF突变组生存期低于BRAF野生型组(P<0.001).所构建模型的ROC曲线下面积(area under the curve,AUC)为0.929,与病理结果一致性分析的Kappa统计量为0.87,表明模型具有较高的预测价值.结论 基于CNN的放射组学特征模型在区分直肠癌患者BRAF突变状态方面表现优异,为未来无创筛查BRAF突变状态提供了新的研究思路.
更多相关知识
- 浏览2
- 被引0
- 下载4

相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文