【Ebpay基因检测】基因检测如何促进影像诊断技术与学科的开展
基因检测与现代影响像学结合项目的研究目的：
建立具有普遍应用价值的人工智能模型，用于顺利获得影像学分析评估病人是否存在基因检测靶点EGFR的突变，对非小细胞肺癌患者表皮生长因子受体（EGFR）突变状态进行分类。利用这一模型与病人的基因检测结果进行验 证，检测模型有效性。
基因检测与现代影像学智能结合可能性的研究方法：
研究采用由四个癌症中心的的供346名患者的数据。其中296名的数据用于算法训练， 其中50名用于算法结果验证。肺癌《人体基因序列变化与影像特征》研究组使用IBEX从CT图像中提取1085个特征，用对其进行标记。使用组内相关系数、假设检验和贼小先进收缩和选择算子筛选特征。采用Logistic回归（LR）、决策树（DT）、随机森林（RF）和支持向量机（SVM）建立分类的放射组学模型。使用以下指标对模型进行评估：曲线下面积（AUC）、校准曲线（CAL）、决策曲线分析（DCA）、一致性指数（C指数）和Brier评分。
基因检测与CT影像深度智能结合研究的结果：
选择16个特征，并使用Logistic回归、决策树、随机森林和支持向量机建立模型。在训练队列中，AUC分别为.723、.842、.995和.883；在验证队列中，AUC分别为.658 .0567, . 88和.765。具有贼佳AUC的RF模型，其CAL、C指数（训练队列=0.998；验证队列=0.883）和Brier评分（训练队列=0.007；验证队列=0.137）显示出令人满意的预测正确性；DCA结果表明，该模型具有较好的临床应用价值。
基因检测与CT影像学诊断方法的相互促进：
基于CT图像的机器学习模型可用于评估非小细胞肺癌患者的EGFR基因检测得到的基因突状态，RF模型优于LR、DT和SVM。
基因检测与传统影像技术结合关键词：
计算机断层扫描；表皮生长因子受体；机器学习；非小细胞肺癌；放射组学
