用多视图自适应权重图卷积网络对非小细胞肺癌的免疫疗法有效性预测

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 免疫疗法是非小细胞肺癌 (NSCLC) 的关键治疗方法,但疗效在患者之间有很大差异.
• 在手术前预测免疫治疗反应对于优化治疗和管理潜在副作用至关重要.
• 当前的放射学方法往往忽视了患者间的相关性和复杂的多类型特征相互作用.

研究的目的:

• 开发和评估一种新的多视图自适应加权图卷积网络 (MVAW-GCN),用于预测NSCLC免疫疗法的疗效.
• 在图形卷积网络框架内整合不同图像类型的放射性特征和表型信息.
• 通过考虑多种特征类型和患者间关系之间的相关性,解决单一视图模型的局限性.

主要方法:

• 放射性特征根据过的图像类型被分组成不同的视图.
• 在每个视图中使用放射性特征和患者表型数据构建图形.
• 提出了一个多视图自适应加权图卷积网络 (MVAW-GCN),具有注意力机制和可分离的图卷积,以建模视图相关性和特征相互作用.

主要成果:

• 在107名NSCLC患者的队列中评估了MVAW-GCN模型.
• 拟议的方法实现了77.27%的预测准确度和0.7780的AUC,用于免疫疗法疗效.
• 这些结果表明该模型在预测治疗反应方面的有效性.

结论:

• MVAW-GCN模型提供了一种有前途的方法,通过利用多视图放射性和表型数据来预测NSCLC免疫疗法的疗效.
• 该模型捕获视图间的相关性和特征相互作用的能力提高了预测性能.
• 这种方法可以帮助针对接受免疫治疗的NSCLC患者制定个性化治疗策略.