Повышение эффективности диагностики и лечения рака легких с помощью сочетания глубокого обучения, радиомики и геномного анализа

Рак легких с его высоким уровнем смертности представляет собой серьезную проблему в онкологии, в основном из-за бессимптомного характера ранних стадий, что затрудняет своевременную диагностику. В данной статье рассматривается интегрированный подход с использованием глубокого обучения и признаков радиомики для улучшения обнаружения и прогнозирования генетических мутаций в узловых образованиях легких, тем самым продвигая границы персонализированной медицины в контексте рака легких. В работе используются сверточные нейронные сети и трансформеры, что позволяет анализировать изображения компьютерной томографии для сегментации легочных узелков и прогнозирования значимых генетических мутаций, в частности EGFR и KRAS. Наш интегрированный подход, в частности сочетание YOLOv7 с DeepLabv3 и признаками текстур, показал высокие результаты, достигнув Accuracy 98,5% и Precision 96% в задачах сегментации, а также высоких показателей Accuracy 97,8% и 98% для прогнозирования мутаций EGFR и KRAS соответственно с помощью сочетания глубокого обучения и радиомики.