改善预后并评估局部晚期直肠癌的辅助化疗效益,并对MRI进行深度学习:一项回顾性多队列研究

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:

• 建议在局部晚期直肠癌 (LARC) 中使用辅助疗法,以减少远程转移 (DM) 和局部复发 (LR).
• 在LARC中辅助治疗的确切作用和益处仍然存在争议.
• 预测患者的结果和识别那些从治疗中受益的人对于个性化护理至关重要.

研究的目的:

• 开发基于MRI的预治疗深度学习模型 (MuST) 来预测LARC患者的LR,DM和整体存活率 (OS).
• 通过结合模型得分和临床因素的决策树,识别可以从辅助化疗 (AC) 中受益的患者.
• 为LARC提供个性化治疗决策的工具.

主要方法:

• 使用初级队列 (n=308) 开发多重生存任务网络 (MuST) 模型,并在两个外部队列 (n=247,245) 中进行验证.
• 构建一个AC决策树,包括MuST-DM得分,围神经侵入 (PNI) 和手术前的碳水化合物抗原19-9 (CA19-9).
• 治疗选择决策树提供的预后改善的量化.

主要成果:

• 在所有队伍中,MuST网络在预测OS,DM和LR方面表现出高准确度.
• 高CA19-9 (>37U/mL) 和高MuST-DM得分的患者显示出有利的AC疗效.
• 低MuST-DM得分的PNI阳性患者从AC中受益,而低MuST-DM得分的PNI阴性患者没有.
• 决策树确定了14名患者将受益于AC和391名可能接受过度治疗的患者.

结论:

• MuST模型在LARC患者中提供了OS,DM和LR的准确,非侵入性预测.
• 该研究提供了一个直接的工具,可以将化疗决策与量化益处联系起来,帮助个性化治疗策略.
• 这种方法可以帮助优化LARC中辅助化疗的使用.