深度神经网络能够将基因检测的肿瘤学发现与医学成像和活检分析的结果联系起来，不仅可以验证先前发现的三个领域之间的联系，还可以发现新的联系。

因此，加州大学洛杉矶分校的研究人员发现，挑战的临床重点是非小细胞肺癌 (NSCLC)。

该团队的工作于 5 月 8 日在线发表在医学影像杂志上。

放射科学家 William Hsu 博士及其同事在 262 个公共数据集上训练了他们的神经网络，随后在另外 89 个数据集上进行了测试。

使用称为基因掩蔽的 AI 试验方法，该团队得出了基因子集与 CT 扫描和分子组织学载玻片上的一个或另一个发现之间的关联。

他们发现神经网络在识别和区分不同癌症类型方面的表现优于竞争性癌症分类器。

此外，该系统再现了三个​​领域的已知关联，同时阐明了迄今为止未报告的连接。

“这项工作证明了神经网络能够将基因表达映射到非小细胞肺癌的放射组学特征和组织学类型，并解释模型以识别与每个特征或类型相关的预测基因，”作者写道。

Hsu 在向国际光学和光子学会发表评论时提出了临床应用可能向前发展的方向。

“虽然之前已经证明放射基因组关联可以准确地对患者进行风险分层，但我们对我们的模型可以更好地识别和理解这些关联的重要性的前景感到兴奋，”许说。“我们希望这种方法能增加放射科医生在评估 CT 扫描中发现的肺癌类型时的信心。这些信息将非常有益于为个性化治疗计划提供信息。”