基于医学影像的机器学习预测非小细胞肺癌<em>EGFR</em>突变的研究进展

孙元昕; 沈蕾蕾; 叶晓丹

doi:10.19732/j.cnki.2096-6210.2024.03.017

您当前的位置：

首页 >

文章列表页 >

基于医学影像的机器学习预测非小细胞肺癌EGFR突变的研究进展

综述 | 更新时间：2025-12-15

- 基于医学影像的机器学习预测非小细胞肺癌EGFR突变的研究进展
- Research progress in predicting EGFR mutation of NSCLC patients using machine learning based on medical imaging
- 肿瘤影像学 2024年33卷第3期页码：323-329
- 作者机构：
  
  1. 上海市影像医学研究所,上海,200032
  2. 复旦大学附属中山医院放射科,上海,200032
- 作者简介：
- 基金信息：
  
  国家自然科学基金面上项目（82071990）
- DOI：10.19732/j.cnki.2096-6210.2024.03.017
  中图分类号：
- 网络出版：2024-07-19，
  
  纸质出版：2024-07-19
- 稿件说明：
移动端阅览
孙元昕,沈蕾蕾,叶晓丹. 基于医学影像的机器学习预测非小细胞肺癌EGFR突变的研究进展[J]. 肿瘤影像学, 2024, 33(3): 323-329 https://doi.

org/10.19732/j.cnki.2096-6210.2024.03.017
孙元昕,沈蕾蕾,叶晓丹. 基于医学影像的机器学习预测非小细胞肺癌EGFR突变的研究进展[J]. 肿瘤影像学, 2024, 33(3): 323-329 https://doi. DOI： 10.19732/j.cnki.2096-6210.2024.03.017.

org/10.19732/j.cnki.2096-6210.2024.03.017 DOI：

摘要

随着计算机科学的迅速发展，人工智能在医学领域扮演了重要角色，基于影像学图片的机器学习在临床决策中发挥着重要的辅助作用，其与基因组学的深入结合为基因检测提供了新方法。本文主要论述基于医学影像的机器学习在预测非小细胞肺癌（non-small cell lung cancer，NSCLC）患者表皮生长因子受体（epidermal growth factor receptor，

EGFR

）突变中的研究现状、局限性以及未来发展趋势。

Abstract

With the rapid advancement of computer science

artificial intelligence has become an important role in the medical field. Machine learning

based on medical imaging

plays a significant complementary role in clinical decision-making. Moreover

the integration of imaging data with genomic information has introduced innovative avenues for genetic testing. The primary focus of this article was on the current state

limitations

and future trends of machine learning based on medical imaging for predicting epidermal growth factor receptor (

EGFR

) mutations in patients with non-small cell lung cancer (NSCLC).

关键词

Keywords

references

浏览量

330

下载量

CNKI被引量

文章被引用时，请邮件提醒。

提交

工具集

关联资源

智能影像赋能胰腺肿瘤精准诊疗：应用与展望

超声人工智能在前列腺癌诊断中的应用进展

探讨CT影像组学模型对非小细胞肺癌免疫治疗效果的预测价值

基于影像组学预测颅内原发性中枢神经系统淋巴瘤患者Bcl-2、c-Myc表达状态的应用价值

基于机器学习的影像组学模型预测局部晚期宫颈癌患者同步放化疗后结局

基于医学影像的机器学习预测非小细胞肺癌EGFR突变的研究进展

Research progress in predicting EGFR mutation of NSCLC patients using machine learning based on medical imaging

DOI：10.19732/j.cnki.2096-6210.2024.03.017

摘要

Abstract

关键词

Keywords

references