通过基于深度学习的图像分析来预测淋巴瘤对CAR T细胞的反应

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 血液学恶性瘤是什么

背景情况:

• 临床预后评分系统对淋巴瘤治疗结果的预测效用有限.
• 化学抗原受体 (CAR) T细胞疗法为B细胞淋巴瘤提供了有前途的治疗方法,但预测反应仍然具有挑战性.

研究的目的:

• 评估基于深度学习 (DL) 的图像分析与基于规则的推理相结合的可行性,以预测B细胞淋巴瘤中CAR T细胞治疗的治疗反应.
• 将这种新方法的预测性能与国际预测指数 (IPI) 进行比较.

主要方法:

• 开发了一个利用转移学习的深度学习模型来分析39名B细胞淋巴瘤患者的治疗前诊断CT (dCT),低剂量CT (lCT) 和FDG-PET图像.
• 该模型预测了病变水平的治疗反应,然后使用基于规则的推理进行总和,用于预测患者水平的反应.
• 患者一级的预测与12个月治疗后的结果和IPI风险因素进行了比较.

主要成果:

• 基于DL的dCT图像的分析实现了0.82的平均损伤水平准确度 (AUC0.91).
• 使用dCT数据进行患者级响应预测的准确率为0.81,超过了IPI (准确率为0.54,p=0.046).
• 该方法在预测治疗前医学图像的治疗结果方面显示出可行性.

结论:

• 治疗前CT和PET扫描的基于深度学习的图像分析是预测B细胞淋巴瘤中CAR T细胞治疗反应的可行方法.
• 这种人工智能驱动的方法有可能提供有价值的预后信息,用于在开始治疗之前指导治疗决策.
• 与传统的IPI得分相比,开发的方法提供了更准确的治疗结果预测.