[基于CT的加权放射性评分预测了非小细胞肺癌中瘤对免疫治疗的反应]

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:

• 在非小细胞肺癌 (NSCLC) 中预测免疫治疗反应对于治疗选择至关重要.
• 目前的生物标志物,如PD-L1表达,在预测治疗疗效方面存在局限性.

研究的目的:

• 开发和验证基于CT的加权放射性模型,用于预测NSCLC患者对PD-1/PD-L1免疫治疗的瘤反应.
• 将放射性模型的预测性能与PD-L1表达和临床因素进行比较.

主要方法:

• 对237名接受PD-1/PD-L1抑制剂治疗的NSCLC患者进行了回顾性研究.
• 从对比度增强的CT动脉相位扫描中提取放射性特征.
• 开发基于注意力的多实例学习算法,用于特征加权和总和.
• 使用后勤回归构建加权放射性评分模型.

主要成果:

• 权重放射性评分模型在训练组中达到0.85的AUC,在测试组中达到0.80.
• 与PD-L1表达 (PD-L1-1和PD-L1-50) 和临床模型相比,放射性模型显示出更好的预测性能.
• 在加权放射性模型和组合模型 (放射性+PD-L1,综合) 之间没有发现显著差异.

结论:

• 在治疗前,基于CT的加权放射性评分可以有效地预测NSCLC的免疫治疗反应.
• 这种放射性模型为NSCLC个性化免疫疗法选择提供了一个有希望的非侵入性工具.