【紫冬声音】AI护航：无创预测肺癌基因突变

中国自动化学会

“

中国科学院自动化研究所基于深度学习的人工智能模型，利用术前CT影像进行无创的EGFR基因突变预测，很好地克服了传统肺癌诊疗方法的诸多弊端，该模型性能已在由844例肺腺癌病人组成的数据集中得到验证，测试集预测精度高达0.81。研究成果发表在呼吸学顶级期刊European Respiratory Journal上(SCI IF:12.242，中科院JCR医学一区Top)。

肺癌作为发病率第一的癌症，其个性化治疗对于提升患者生存率有重大意义。在肺癌治疗中，基于EGFR基因突变的靶向治疗是主流的治疗方式之一。由于EGFR靶向药物只对EGFR基因突变的病人有效，因此，鉴别 EGFR基因突变状态对于靶向药物的使用和个性化治疗非常重要。

但如何确定肺癌病人是否存在EGFR基因突变呢？当前主要采取的是先穿刺再基因测序的方式，即：有创的穿刺活检取得肺癌组织，然后进行基因测序来确定EGFR基因突变状态。但是这种传统的方法有几大弊端：

1）有创伤：穿刺对病人的伤害较大，病人需要承受巨大的痛苦。

2）要求高：对穿刺取得的肺癌组织进行基因测序的成本很高，对测序组织的数量和质量要求也很高。

3）易漏诊：穿刺时只能取得部分组织，但是肺癌肿瘤具有很高的异质性，若没有穿刺到基因突变组织，则容易造成假阴性、无病变的结果，导致病人未得到及时治疗。

4）不灵活：肿瘤基因突变状态会随着时间发生改变，但由于穿刺对病人的伤害较大，难以在不同时间进行多次穿刺；因此，难以实现EGFR基因突变状态的动态监测。

中国科学院自动化研究所的研究人员基于深度学习的人工智能模型，利用术前CT影像进行无创的EGFR基因突变预测。这种方法很好地克服了传统方法的弊端，为医生诊断和患者治疗带来不少福音：

1）无创伤：无需穿刺活检，减轻了对病人的身体伤害。

2）成本低：仅需常规CT检查，无需额外的基因测序。

3）精度高：深度学习模型可从肺癌CT影像中挖掘到与EGFR基因突变相关的信息，并达到较好的预测精度，为临床医生提供术前无创的EGFR基因突变预测方法。同时，可发现肿瘤中EGFR基因突变概率高的组织区域，指导临床穿刺时穿刺位点的选取。

4）时效性：可通过不同时间的CT检查，监测不同时间点的基因突变状态。

成果发表

Predicting EGFR Mutation Status in Lung Adenocarcinoma on CT Image Using Deep Learning

DOI: 10.1183/13993003.00986-2018

该方法基于DenseNet思想构建了24层卷积神经网络：首先，将前20层卷积层在ImageNet自然图像数据集上进行预训练，将后4层卷积层使用肺癌CT数据进行全新的训练；然后，对整体网络使用肺癌CT影像进行全局的重新拟合。

该研究使用上海肺科医院603例肺腺癌病人作为训练集训练人工智能模型，天津肿瘤医院241例肺腺癌病人作为测试集验证模型性能。在独立测试集上，人工智能模型达到了AUC=0.81的预测精度，优于传统的影像组学模型(AUC=0.64)、语义特征模型(AUC=0.64)和临床模型(AUC=0.61)。进一步的特征分析表明，深度学习模型实现了肺癌CT影像的分层特征提取，且卷积层提取的特征在EGFR突变型和EGFR野生型样本间具有显著性差异。

深度学习模型特征分析

a)分层的卷积特征可视化；b)不同特征对于EGFR突变型和EGFR野生型肿瘤的响应不同；c)卷积特征在EGFR突变型和野生型两组病人间存在统计学差异；d)深度学习特征聚类分析

人工智能模型标记出的EGFR突变高可疑区域

本文由中国科学院自动化研究所王硕博士为第一作者，史景云(上海肺科医院)、叶兆祥(天津肿瘤医院)、董迪(中科院分子影像重点实验室)、喻冬东(中科院分子影像重点实验室)、周牧(斯坦福大学)为并列第一作者，田捷研究员(中科院分子影像重点实验室)为通讯作者。该研究得到了国家自然科学基金、科技部国家重点研发计划、北京市科委重大专项等项目的资助。