中科院分子影像重点实验室田捷研究员团队，与上海肺科医院史景云主任团队、天津肿瘤医院叶兆祥主任团队，研发了人工智能新算法实现术前无创的预测肺癌EGFR基因突变。该研究发表于呼吸学顶级期刊European Respiratory Journal (SCI IF:12.242，中科院JCR医学一区Top)。论文题目“Predicting EGFR Mutation Status in Lung Adenocarcinoma on CT Image Using Deep Learning”，DOI: 10.1183/13993003.00986-2018。

      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靶向药物只针对EGFR基因突变的病人有效，因此，使用EGFR靶向药物前需确认病人的EGFR基因突变状态。

      常规的临床诊断需要通过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。这种方式面临以下弊端：1）穿刺有创，且基因测序成本高，对测序组织的数量和质量要求高；2）肺癌肿瘤具有很高的异质性，穿刺时只能取得部分组织，若没有穿刺到基因突变组织，则容易造成假阴性的结果，导致病人未得到及时治疗；3）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，难以在不同时间点进行多次穿刺。

      针对以上难题，该团队提出了基于深度学习的人工智能模型，利用术前的CT影像进行无创的EGFR基因突变预测。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（图1）。

图1. 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。

      在得到较好的预测精度的同时，人工智能模型可标记出肿瘤中EGFR基因突变可疑度较高的区域，指导临床穿刺时穿刺位点的选取（图2）。

图2. 人工智能模型标记出的EGFR突变高可疑区域

      该研究表明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，为临床穿刺提供参考。

      本文由中国科学院分子影像重点实验室的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。