一个深度学习模型使用增强的胸部CT图像来预测非小细胞肺癌患者的PD-L1表达
1Cancer Center, Shanxi Bethune Hospital, Shanxi Academy of Medical Sciences, Tongji Shanxi Hospital, Third Hospital of Shanxi Medical University, Taiyuan, 030032, China; Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430030, China.
Clinical radiology
|July 17, 2023
概括
一种深度学习放射学模型 (DLRM) 通过使用胸部CT扫描,有效地预测非小细胞肺癌 (NSCLC) 中的编程死亡配体1 (PD-L1) 表达. 这种非侵入性工具有助于区分NSCLC患者的PD-L1状态.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 编程死亡配体1 (PD-L1) 表达是预测非小细胞肺癌 (NSCLC) 免疫治疗反应的关键生物标志物.
- 评估PD-L1表达的准确和非侵入性方法是必要的,以指导NSCLC患者的治疗决定.
研究的目的:
- 开发和验证一个深度学习放射学模型 (DLRM) 用于预测使用对比增强胸部计算机断层扫描 (CT) 图像在NSCLC中的PD-L1表达.
- 评估DLRM的诊断性能和临床实用性.
主要方法:
- 一项回顾性研究收集了手术前增强的胸部CT图像和125名NSCLC患者的免疫组织化学结果.
- 通过将从卷积神经网络与临床病理因素集成的深度学习签名 (DLS) 开发了一个DLRM.
- 用曲线下的面积 (AUC),综合歧视改进 (IDI) 和决策曲线分析 (DCA) 来评估模型性能.
主要成果:
- DLRM确定了深度学习特征和瘤阶段作为PD-L1表达的独立预测因素.
- 在训练和验证队伍中,DLRM在训练和验证队伍中实现了0.804的AUC.
- 与单独使用DLS相比,DLRM显示出更高的诊断准确性和临床实用性.
结论:
- 开发的DLRM,利用增强的胸部CT图像,作为一个有希望的非侵入性工具来预测PD-L1表达在NSCLC患者.
- 这种方法可以通过非侵入性评估PD-L1状态来帮助NSCLC个性化治疗策略.
更多相关视频
10:29Semi-automatic PD-L1 Characterization and Enumeration of Circulating Tumor Cells from Non-small Cell Lung Cancer Patients by Immunofluorescence
Published on: August 14, 2019
10.6K
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.5K