使用化疗后计算机断层扫描放射学预测胰腺管道腺癌中术前化疗的病理反应
Shinichi Ikuta1, Tsukasa Aihara1, Takayoshi Nakajima1
1Department of Surgery, Meiwa Hospital, Nishinomiya, JPN.
Cureus
|February 13, 2024
概括
一个使用CT放射学的新型机器学习模型准确地预测了胰腺癌中化疗的病理反应. 这个工具可以帮助个性化治疗和优化胰腺管道腺癌患者的手术.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 评估胰腺癌的治疗反应对于指导治疗至关重要.
- 胰腺管腺癌 (PDAC) 需要有效的手术前策略.
- 计算机断层扫描 (CT) 放射学为非侵入性反应评估提供了潜力.
研究的目的:
- 开发和验证基于CT放射学的机器学习 (ML) 模型.
- 在PDAC.中预测手术前化疗的病理反应 (PR).
- 增强胰腺癌的个性化治疗策略.
主要方法:
- 对接受新辅助剂/转化化疗的86名PDAC患者的回顾性分析.
- 从化疗后的CT扫描中提取放射性特征.
- 使用LASSO逻辑回归和四个ML分类器 (LGBM,随机森林,AdaBoost,QDA) 来进行预测.
- 使用AUC,Brier分数和决策曲线分析评估的模型.
主要成果:
- 47.7%的患者获得了有利的PR (埃文斯IIb级或更高).
- 轻度梯度增强机 (LGBM) 模型表现出卓越的性能.
- LGBM的测试AUC为0.923和最低的Brier分数.
- 通过LASSO分析确定了五种放射性特征用于预测.
结论:
- 基于CT放射学的ML模型显示了预测PDAC中的PR的前景.
- 该模型可以帮助优化手术候选人选择和时间.
- 在胰腺癌中改善个性化治疗策略的潜力.
更多相关视频
06:24Dynamic Contrast Enhanced Magnetic Resonance Imaging of an Orthotopic Pancreatic Cancer Mouse Model
Published on: April 18, 2015
15.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
