jo channel介紹的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

jo channel介紹進入發燒排行的影片

基於肺部電腦斷層之肺腺癌EGFR突變預測:結合Patch-based radiomics紋理特徵圖於深度學習網路

為了解決jo channel介紹的問題，作者陳和豐 這樣論述：

肺癌已成為世界上最主要癌症死因之一，並且其發病率與死亡率都有逐年上升的趨勢，晚期肺癌患者的5年平均存活率僅有15%。依治療和預後的不同，肺癌主要分為兩種：(I)非小細胞肺癌(Non-small-cell lung cancer，NSCLC)；(II)小細胞肺癌(Small-cell lung cancer，SCLC)。其中有85%的患者是屬於NSCLC，並且NSCLC患者大部分都被診斷為肺腺癌(Lung Adenocarcinoma, LAC)。EGFR(epidermal growth factor receptor)是肺癌治療中最有用的biomarkers之一。在亞洲有高達50%的肺癌患

者有表皮生長因子受體基因突變(EGFR mutations, mEGFR)。mEGFR患者對EGFR tyrosine kinase inhibitor (EGFR TKI)的反應優於無mEGFR患者。本研究提出「同時考慮CT影像腫瘤內部patchwise成分」的核心概念，開發一套基於深度學習之肺腺癌mEGFR預測模型。結合CT radiomic特徵與patch-based的腫瘤內部區域資訊尋找分類特徵，以協助LAC患者於標靶治療的治療規劃。本研究預測模型在僅考慮腫瘤區域成分的因素下，找尋腫瘤CT影像中之特徵。為達此目標，首先分為肺區分割以及腫瘤分割。分割結果顯示，本研究之肺區分割平均Dice

coefficient為0.9891；腫瘤分割結果平均Dice coefficient為0.806。接著從分割的腫瘤中提取了 212個3D 灰度共生矩陣(GLCM)之特徵。通過sequence forward feature selection選到energy和entropy為重要特徵。透過patch-base的方式使用5×5×5立方體大小計算原始影像上energy以及entropy的特徵圖作為RGANN分類模型的第二、三個通道輸入。接著在RGANN的第四層加入gated attention機制，將前一層輸入的特徵圖與分割的腫瘤binary影像相乘去引導 RGANN 模型只關注於腫瘤區域，以

提高分類的準確性。同時，RGANN的方法與GANN的方法進行了比較。RGANN 在training cohort （n=591，AUC=0.96，ACC = 0.98）validation cohort（n=85，AUC = 0.83，ACC = 0.81）和testing cohort（n=169，AUC = 0.77，ACC = 0.76) 優於 GANN 模型testing cohort（n=169，AUC = 0.74，ACC = 0.73）。此外，本研究針對lung phantom在9種不同輻射劑量(Tube current)與3種不同重建演算法下進行radiomic特徵的提取，並將

研究結果應用於真實病人之Lung CT影像上進行分類。研究顯示，在輻射劑量小於200mA的CT影像提取出的radiomic特徵有較大的變化；反之，提取出的特徵則較穩定。本研究將蒐集之CT影像分為以上兩種情況進行訓練，並且與原始訓練結果進行比較。分類結果顯示，當CT影像皆為大於200mA的情況下，RGANN得到的測試結果為（n=71，AUC = 0.78，ACC = 0.771）；當CT影像皆為小於200mA的情況下，RGANN得到的測試結果為（n=98，AUC = 0.63，ACC = 0.676）。以上分類結果可見掃描CT影像時，使用不同的Tube current參數會造成擷取的radiom

ic特徵有不同的變化，導致在分類mEGFR的結果上顯示，使用較高劑量的CT影像進行分析能得到較好的分類結果。本研究所提出之RGANN模型透過擷取腫瘤內部patchwise成分，在預測mEGFR方面較僅使用原始CT影像的DL模型達到較好的分類結果。