概括优化机器学习以改善CT扫描放射学和评估免疫检查点抑制剂对非小细胞肺癌的反应:一个多中心队列研究

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:

• 放射学显示为预测癌症免疫检查点抑制剂 (ICI) 反应的非侵入性生物标志物具有前途.
• 放射学算法的验证是具有挑战性的,因为医学成像采集和重建的变化.
• 这项研究调查了扫描正常化在机器学习中的作用,用于预测非小细胞肺癌 (NSCLC) 中的ICI反应.

研究的目的:

• 评估扫描规范化对放射学模型普遍性的影响,以预测NSCLC中的ICI反应.
• 为了比较PyRadiomics和DeepRadiomics在ICI治疗后预测无进展生存 (PFS-6) 的表现.
• 评估放射学特征对临床变量和PD-L1表达的附加值,以预测治疗结果.

主要方法:

• 从642名晚期NSCLC患者的ICI前CT扫描中提取了放射性特征 (512个发现,130个验证).
• 图像协调技术被应用以减轻不同扫描仪和重建方法的差异.
• 综合临床数据,PD-L1表达和放射学 (PyRadiomics,DeepRadiomics) 的多变量模型被评估为预测PFS-6.

主要成果:

• 图像协调显著改善了不同中心的放射学模型的通用性.
• 临床+DeepRadiomics的组合在协调后实现了0.67 (发现) 和0.63 (验证) 的AUC.
• 协调的DeepRadiomics模型表现出与传统的临床+PD-L1预测相当的性能,在验证方面表现优于PyRadiomics.

结论:

• 通过将临床数据与协调的DeepRadiomics功能相结合,可以实现NSCLC中ICI反应的概括风险预测模型.
• 电脑扫描协调和机器学习概括方法对于强大的放射学模型验证至关重要.
• 放射学具有重要的潜力,作为一种非侵入性工具,用于指导ICI治疗策略在先进的NSCLC中.