放射学方法预测PD-L1和PFS在接受免疫治疗的高级非小细胞肺患者:一个多机构研究
Sevinj Yolchuyeva1, Elena Giacomazzi1, Marion Tonneau2,3
1Department of Mathematics and Computer Science, Université du Québec à Trois Rivières, Trois Rivières, Canada.
Scientific reports
|July 8, 2023
概括
这项研究使用CT扫描的放射性特征来预测在接受免疫检查点抑制剂 (ICI) 的高级非小细胞肺癌患者中,编程死亡连接体 (PD-L1) 表达和无进展生存 (PFS) 的预测. 机器学习模型显示了预测这些结果的潜力.
科学领域:
- 放射学和机器学习在瘤学中的应用
- 发现用于免疫治疗的生物标志物
背景情况:
- 免疫检查点抑制剂 (ICI) 越来越多地用于高级非小细胞肺癌 (NSCLC).
- 预测治疗反应的生物标志物,如编程死亡配体 (PD-L1) 表达和无进展生存 (PFS),对于患者分层至关重要.
- 目前用于生物标志物识别的方法需要加强个性化治疗策略.
研究的目的:
- 评估开发PD-L1表达和PFS的基于成像的预测生物标志物的可行性.
- 系统地评估各种机器学习算法与特征选择方法相结合,用于预测临床终点.
- 通过预处理CT扫描的放射性特征来识别可靠的预测模型.
主要方法:
- 一项回顾性多中心研究,涉及385名先进NSCLC患者,接受ICI治疗.
- 从预处理CT扫描中提取放射性特征.
- 应用LASSO方法,五种特征选择方法和七种机器学习算法来构建PD-L1和PFS的预测模型.
主要成果:
- 几个组合的特征选择方法和机器学习算法显示了可比性能.
- 使用ReliefF特征选择的逻辑回归实现了PD-L1预测的AUC为0.64 (发现) 和0.59 (验证).
- 使用Anova F-test特征选择的支持矢量机 (SVM) 为PFS预测提供了0.64 (发现) 和0.63 (验证) 的AUC.
结论:
- 放射性特征,加上适当的机器学习和特征选择技术,可以作为基于成像的生物标志物.
- 具体的算法,如物流回归与ReliefF和SVM与Anova F-测试显示预测PD-L1和PFS的承诺.
- 本研究确定了一组适合未来研究的算法,用于开发NSCLC免疫疗法的临床相关预测模型.
