多机构预后建模的生存结果在NSCLC患者治疗第一线免疫疗法使用放射学治疗的NSCLC患者

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:

• 免疫检查点抑制剂 (ICI) 是对非小细胞肺癌 (NSCLC) 的有希望的第一线治疗方法.
• 预测生物标志物是必要的,因为只有少数NSCLC患者对ICI有反应.
• 这项研究旨在开发使用治疗前成像资料的生存风险模型.

研究的目的:

• 开发和验证接受一线免疫治疗的NSCLC患者的生存风险模型.
• 利用治疗前成像的放射学特征来预测无进展生存 (PFS) 和整体生存 (OS).
• 确定特征选择方法和机器学习算法的最佳组合,以实现强大的生存预测.

主要方法:

• 对149名先进NSCLC患者进行了回顾性分析,这些患者接受了第一线ICI治疗.
• 从预处理成像扫描中提取放射性特征.
• 应用五种特征选择方法和七种机器学习算法来构建生存模型.
• 使用一致性指数 (C指数) 评估模型性能.

主要成果:

• 几种机器学习和特征选择组合表现出类似的预测性能.
• K-最近的邻居 (KNN) 与救援F (RL) 最好的预测PFS (C指数:0.61发现,0.604验证).
• XGBoost与相互信息 (MI) 最好预测的操作系统 (C指数:0.7发现,0.655验证).

结论:

• 选择特征选择和机器学习策略的选择对于开发强大的生存模型至关重要.
• 这些基于放射学的模型有可能改善NSCLC免疫治疗中的临床决策.
• 建议对外部队列进行进一步验证,以确认这些模型的临床实用性.