通过基于CT的集体深度学习预测非小细胞肺癌患者免疫检查点抑制剂的益处:一项回顾性研究
Maliazurina B Saad1, Lingzhi Hong2, Muhammad Aminu1
1Department of Imaging Physics, The University of Texas MD Anderson Cancer Center, Houston, TX, USA.
The Lancet. Digital health
|June 2, 2023
概括
胸部CT扫描的深度学习可以预测患者对非小细胞肺癌 (NSCLC) 免疫检查点抑制剂的反应. 这种由人工智能驱动的成像签名可以比传统生物标志物更好地预测存活率.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 免疫检查点抑制剂 (ICI) 仅对20-30%的非小细胞肺癌 (NSCLC) 患者有益.
- 基于组织的生物标志物,如PD-L1,在准确性,可用性和捕捉瘤异质性方面存在局限性.
- 放射图像提供了对癌症生物学的整体观点,可能揭示了预测特征.
研究的目的:
- 开发和验证使用胸部CT扫描的深度学习模型 (Deep-CT),以预测NSCLC中ICI的反应.
- 与现有的临床和放射学指标相比,评估深度CT模型的附加值.
- 探索AI在为NSCLC患者个性化免疫疗法的潜力.
主要方法:
- 一项对976名转移性EGFR/ALK阴性NSCLC患者的回顾性研究,这些患者接受ICI治疗.
- 在预治疗CT扫描上开发和测试集体深度学习模型 (Deep-CT).
- 对Deep-CT与临床病理学因素和放射学学的预测性能的评估.
主要成果:
- 深度CT模型在独立的测试和验证集中强有力的分层患者存活率.
- 深度CT的表现优于传统因素 (PD-L1,组织学),并且仍然是一个独立的预测因子.
- 将深度CT与临床因素相结合,显著改善了生存预测 (C指数从0.70到0.75).
- 深度学习捕获的成像模式超出了传统的放射学特征.
结论:
- 对CT扫描的自动深度学习分析为预测NSCLC中ICI反应提供了有价值的独立信息.
- 这种人工智能驱动的方法通过提供超越当前生物标志物的洞察力,提高了精确免疫疗法.
- 深度CT正在为接受免疫治疗的NSCLC患者提供更个性化的治疗策略.
