基于预训练基础模型和迁移学习的肺腺癌EGFR突变预测研究：来自印度队列的数据
图像与视频处理
2025-08-06 v2 计算机视觉与模式识别
摘要
肺腺癌（LUAD）是非小细胞肺癌（NSCLC）的一种亚型。携带EGFR基因突变的LUAD约占LUAD病例的46%。携带EGFR突变的患者可以接受特定的酪氨酸激酶抑制剂（TKIs）治疗。因此，预测EGFR突变状态可有助于临床决策。H&E染色的全切片成像（WSI）是癌症分期和亚型鉴别的常规检查程序，尤其影响到肺癌发病率显著高于欧洲裔人群的东南亚人群（39-64% vs 7-22%）。近期在AI模型方面的进展在癌症检测和分类方面显示出前景。本研究提出了一个基于视觉转换器（ViT）基于病理学的基础模型和基于注意力的多实例学习（ABMIL）架构的深度学习（DL）框架，用于从H&E WSI预测EGFR突变状态。该开发的管道使用来自印度队列数据（170个WSI）进行训练，并在两个独立数据集上评估：内部测试集（来自印度队列的30个WSI）和来自TCGA的外部测试集（86个WSI）。该模型在两个数据集上表现一致，分别达到内部测试集和外部测试集的AUC为0.933（±0.010）和0.965（±0.015）。该提出的框架可以在小数据集上有效训练，实现的性能优于数项先前研究，无论训练域如何。本研究表明，利用常规病理学切片，尤其是在基础模型和基于注意力的多实例学习的资源受限环境中，可以准确预测EGFR突变状态。
引用
@article{arxiv.2508.01352,
title = {Predicting EGFR Mutation in LUAD from Histopathological Whole-Slide Images Using Pretrained Foundation Model and Transfer Learning: An Indian Cohort Study},
author = {Sagar Singh Gwal and Rajan and Suyash Devgan and Shraddhanjali Satapathy and Abhishek Goyal and Nuruddin Mohammad Iqbal and Vivaan Jain and Prabhat Singh Mallik and Deepali Jain and Ishaan Gupta},
journal= {arXiv preprint arXiv:2508.01352},
year = {2025}
}
备注
14 pages, 4 figures and 2 tables