一个基于放射基因组学和深度学习技术的多模型,与清细胞细胞癌的组织学等级和存活率相关

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 基因组学就是基因组学.

背景情况:

• 清细胞细胞癌 (ccRCC) 是癌最常见的亚型.
• 准确预测病理级别和患者存活率对于有效的治疗计划至关重要.
• 目前用于预测ccRCC预后的方法存在局限性.

研究的目的:

• 评估一种结合放射学,深度学习 (DL) 和转录学的多模型,用于预测ccRCC患者的病理级别和生存率.
• 探索多模型预测与ccRCC中免疫细胞透之间的关系.

主要方法:

• 分析了177名ccRCC患者的数据,包括放射性,DL和RNA测序特征.
• 通过使用LASSO分析集成放射学,DL和转录学特征来构建一个多模型.
• 使用无进展生存率 (PFS) 和总生存率 (OS) 评估预后性表现,并使用哈雷尔一致性指数 (C指数).

主要成果:

• 多模型在分辨病理等级方面取得了高性能,AUC值为0.946 (训练) 和0.864 (测试).
• 多模型证明了预测PFS和OS的统计学上显著的预后性能.
• 在高度cccRCC组中,与低度组相比,观察到免疫细胞的丰度更高.

结论:

• 综合多模型在ccRCC中预测病理级别和预后方面显示出显著的前景.
• 这些发现表明,在ccRCC中,分子特征,瘤等级和免疫微环境之间存在潜在联系.
• 这种多模式的方法为改善ccRCC患者管理提供了一个新的工具.