探索非小细胞肺癌患者的非侵入性精确治疗,通过通过成像特征和分子表型的深度学习放射学来探索非侵入性精确治疗
Xingping Zhang1,2,3,4, Guijuan Zhang5, Xingting Qiu6
1School of Medical Information Engineering, Gannan Medical University, 341000, Ganzhou, China.
Biomarker research
|January 25, 2024
概括
一种新的深度学习放射学模型,Deep-RadScore,使用CT扫描准确预测非小细胞肺癌 (NSCLC) 的分子变化. 这种非侵入性方法通过识别关键瘤特征,有助于个性化治疗决策.
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:
- 准确预测瘤分子变化对于有效的癌症治疗至关重要.
- 传统的组织活检有其局限性,包括侵入性和异质性.
- 需要新的非侵入性方法来表征瘤分子变化.
研究的目的:
- 开发和验证一个深度学习放射学框架,用于预测非小细胞肺癌 (NSCLC) 的分子变化.
- 评估该模型有助于癌症患者的第一线治疗决策的能力.
主要方法:
- 这是一项对来自三个机构的508名NSCLC患者的回顾性研究.
- 纳入CT图像和临床病理学数据.
- 使用放射性得分和深度网络特征开发"Deep-RadScore"模型.
主要成果:
- 深度RadScore证明了各种分子特征的强大预测性能,包括入侵 (AUC 0.889-0.903),分期 (AUC 0.894),基因突变 (AUC 0.884-0.896) 和PD-1/PD-L1表达 (AUC 0.893).
- 功能融合实现了最佳的预测能力,超过了个别的成像功能.
- 深度网络功能捕获了传统放射学之外的额外的成像表型.
结论:
- 开发的框架通过融合放射性和深度网络特征,提供了新的生物标志物.
- 这种方法为各种瘤分子变化的放射性表型提供了宝贵的见解.
- 这项研究表明了NSCLC非侵入性个性化治疗策略的潜力.
