Шариати Фаридоддин – магистр по направлению "Инфокоммуникационные технологии и системы связи" (2021), ассистент Высшей школы прикладной физики и космических технологий Института электроники и телекоммуникаций
ул. Политехническая, д. 29, Санкт-Петербург, 195251
Shariati Faridoddin, Master in Infocommunication technologies and communication systems (2021), Assistant of Higher School of Applied Physics and Space Technologies of Institute of Electronics and Telecommunications
29 Politekhnicheskaya St., St Petersburg 195251
Павлов Виталий Александрович – кандидат технических наук (2020), доцент (2023) Высшей школы прикладной физики и космических технологий Института электроники и телекоммуникаций
ул. Политехническая, д. 29, Санкт-Петербург, 195251
Vitalii A. Pavlov, Cand. Sci. (Eng.) (2020), Associate professor (2023) of Higher School of Applied Physics and Space Technologies of Institute of Electronics and Telecommunications
29 Politekhnicheskaya St., St Petersburg 195251
Введение. В сфере онкологии точная классификация мутаций рака легких играет ключевую роль для развития персонализированных стратегий лечения. Рак легких, отличающийся своей гетерогенностью, представляет значительные трудности в диагностике и лечении, что требует инновационных подходов для точной классификации мутаций.
Цель работы. Введение новой методологии, которая сочетает в себе глубокое обучение и радиомические признаки, извлеченные из изображений компьютерной томографии (КТ), для классификации мутаций рака легких.
Материалы и методы. Адаптирована архитектура ResNet18 для интеграции радиомических признаков непосредственно в рабочий процесс глубокого обучения. Использование сверточной нейронной сети позволило обрабатывать большие объемы данных, превосходя производительность традиционных методов. Анализ включал выявление таких значимых радиомических признаков, как текстура, форма и границы опухолей, которые были автоматически извлечены и использованы для обучения модели. Методика была опробована на обширном наборе данных, содержащем КТ-снимки с различными подтипами рака легких, включая аденокарциному и плоскоклеточный рак.
Результаты. Модель продемонстрировала общую точность классификации мутаций 98.6 %, значительно превысив результаты, достигнутые с использованием традиционных подходов. Высокая точность подтверждает эффективность сочетания радиомических признаков с глубоким обучением в идентификации различных генетических мутаций рака легких. Результаты также указывают на высокий потенциал метода в области разработки неинвазивных диагностических инструментов и улучшения персонализированных подходов к лечению.
Заключение. Подчеркнута важность интеграции высокоуровневых абстракций моделей глубокого обучения с детализированным анализом радиомических данных для повышения предсказательной точности неинвазивных диагностических инструментов, что может значительно усовершенствовать процессы диагностики и разработки лечебных стратегий в онкологии.
Introduction. In oncology, accurate classification of lung cancer mutations plays a key role in developing personalized treatment strategies. Lung cancer, distinguished by its heterogeneity, presents significant challenges in diagnosis and treatment, requiring innovative approaches for precise mutation classification.
Aim. To introduce a new methodology combining deep learning and radiomic features extracted from computed tomography (CT) images for classification of lung cancer mutations.
Materials and methods. The ResNet18 architecture was adapted to integrate radiomic features directly into the deep learning workflow. The use of a convolutional neural network enabled large volumes of data to be processed, surpassing the performance of conventional methods. The analysis involved identification of significant radiomic features, such as texture, shape, and tumor boundaries, which were automatically extracted and used to train the model. The technique was tested on an extensive dataset containing CT images of various lung cancer subtypes, including adenocarcinoma and squamous cell carcinoma.
Results. The model demonstrated an overall mutation classification accuracy of 98.6 %, significantly exceeding the results achieved using conventional approaches. The high accuracy confirms the effectiveness of combining radiomic features with deep learning in identifying various genetic mutations in lung cancer. The results also indicate the high potential of the method in the development of non-invasive diagnostic tools and improving personalized treatment approaches.
Conclusion. This work emphasizes the importance of integrating high-level abstractions of deep learning models with detailed analysis of radiomic data to enhance the predictive accuracy of non-invasive diagnostic tools, which could significantly improve diagnostic processes and contribute to the development of treatment strategies in oncology.
The authors declare that there are no conflicts of interest present.