中国学者：人工智能可预测肺癌靶向治疗反应

　　背景：表皮生长因子受体(EGFR)基因型对于肺癌的治疗决策至关重要，但在基因测序过程中可能会受到肿瘤异质性和侵入性活检的影响。重要的是，并非所有具有 EGFR 突变的患者在使用 EGFR 酪氨酸激酶抑制剂(TKI)时都有良好的预后，这表明有必要对 EGFR 突变基因型进行分层。在这项研究中，我们提出了一种全自动人工智能系统(FAIS)，该系统从 CT 图像中挖掘全肺信息，以预测 EGFR 基因型和 EGFR-TKI 治疗的预后。

　　方法：我们纳入了来自中国和美国 9 个队列的 18,232 名接受 CT 成像和 EGFR 基因测序的肺癌患者，其中包括亚洲人群(n = 891)的前瞻性队列和白人人群的癌症影像档案队列。这些队列分为厚 CT 组和薄 CT 组。

　　FAIS 是为预测 EGFR 而建立的接受 EGFR-TKI 治疗的患者的基因型和无进展生存期，并通过曲线下面积(AUC)和 Kaplan-Meier 分析进行评估。我们进一步构建了两个基于肿瘤的深度学习模型与 FAIS 进行比较，并探索了 FAIS 与临床因素结合的价值(FAIS-C 模型)。此外，我们纳入了 891 名具有 56 panel 二代测序数据的患者和 87 名具有 RNA 测序数据的患者，以探索 FAIS 的生物学机制。

　　结果：FAIS 在 6 个回顾性和前瞻性测试队列中实现了从 0.748 到 0.813 的 AUC，优于常用的基于肿瘤的深度学习模型。FAIS-C 模型预测的基因型与 EGFR-TKI 治疗的预后显著相关(log-rank p<0.05)，这是基因测序的重要补充。

　　FAIS 发现的 EGFR 突变相关肺特征

　　此外，我们在 FAIS 中发现了 29 个预后深度学习特征，这些特征能够识别具有高 TKI 耐药风险的 EGFR 突变患者。这些特征显示出与多种基因型(t 检验或 Wilcoxon 检验，p<0.05)以及与耐药性和癌症进展机制相关的基因途径的强关联。

　　结论：FAIS 提供了一种非侵入性方法来检测 EGFR 基因型并识别具有高 TKI 耐药风险的 EGFR 突变患者。FAIS 优于基于肿瘤的深度学习方法的性能表明，基因型和预后信息可以从整个肺而不是仅从肿瘤组织中获得。
本图文来自网络。仅供读者参考，著作权、版权归属原创者所有。转载此文是出于传递更多正能量信息之目的，侵权删