Исследователи представили метод мультилейбл-обучения для анализа PET/CT-снимков, позволяющий предсказывать генетические мутации при немелкоклеточном раке легкого (NSCLC) без инвазивной биопсии. Модель анализирует радиологические признаки опухоли, сопоставляя их с профилем мутаций EGFR, что открывает путь к неинвазивной диагностике и более точному подбору таргетной терапии для пациентов с онкологическими заболеваниями.
Традиционные методы определения мутаций требуют проведения биопсии, которая является инвазивной процедурой и не всегда позволяет получить репрезентативный образец ткани из-за гетерогенности опухоли. Использование глубокого обучения для анализа медицинских изображений позволяет извлекать скрытые паттерны, коррелирующие с молекулярным профилем новообразования, что значительно ускоряет процесс принятия клинических решений.
Разработанный подход опирается на мультилейбл-классификацию, что дает возможность одновременно оценивать наличие нескольких типов мутаций на основе одного набора данных визуализации. Это снижает нагрузку на пациентов и позволяет врачам быстрее переходить к персонализированному лечению, минимизируя риски, связанные с хирургическим вмешательством для получения биоматериала.
Ключевые факты
- Исследование сфокусировано на немелкоклеточном раке легкого (NSCLC), который является одной из основных причин смертности от онкологии.
- Метод использует мультилейбл-обучение для предсказания мутаций рецептора эпидермального фактора роста (EGFR).
- Технология позволяет заменить инвазивную биопсию анализом данных PET/CT-сканирования.
- Модель направлена на повышение точности подбора таргетной терапии за счет неинвазивного радиогеномного профилирования.