基于非侵入性计算机断层扫描的深度学习模型预测体外化学敏感性检测结果在胰腺癌中的结果
Taishu Kanda1, Taiichi Wakiya1, Keinosuke Ishido1
1From the Department of Gastroenterological Surgery, Hirosaki University Graduate School of Medicine, Hirosaki City.
Pancreas
|November 29, 2023
概括
深度学习模型使用CT扫描准确地预测了胰腺癌患者的化疗反应. 这种方法可以帮助个性化治疗,通过预测体外药物敏感性的非侵入性.
科学领域:
- 放射学和瘤学 放射学和瘤学
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 胰腺管腺癌 (PDAC) 带来了重大治疗挑战.
- 优化化疗需要预测患者对特定药物的反应.
- 目前用于预测化学敏感性的方法可能是侵入性的或耗时的.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于从计算机断层扫描 (CT) 图像中预测体外化学敏感性测定结果.
- 探索DL在优化PDAC患者化疗方面的潜力.
- 建立一种非侵入性方法来评估PDAC中的药物反应.
主要方法:
- 利用手术前增强的腹部CT图像和33名PDAC患者的组织培养药物反应试验 (HDRA) 结果.
- 应用深度学习,特别是残余卷积神经网络,到CT图像补丁.
- 通过三倍交叉验证来训练和验证模型,以预测对5-甲 (FU),凝 (GEM) 和帕克利塔塞尔 (PTX) 的反应.
主要成果:
- DL模型实现了所有测试的化疗剂的高预测准确度和AUC.
- 预测FU反应的准确性为93.4% (AUC:0.979).
- 对于GEM (精度:92.8%,AUC:0.969) 和PTX (精度:95.9%,AUC:0.979) 也观察到高性能.
结论:
- 一个基于CT图像的深度学习模型显示出对体外化学敏感性的强大预测能力.
- 这种基于贴片的DL方法显示出作为优化PDAC中化疗选择的非侵入性工具的希望.
- 进一步的研究可以将这种方法整合到个性化癌症治疗的临床决策中.
