局部晚期直肠癌的多omics分期预测治疗反应:一个试点研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 代谢学 代谢学 代谢学

背景情况:

• 准确评估直肠癌治疗反应对于个性化护理和器官保存策略至关重要.
• 标准的MRI在预测治疗结果方面存在局限性.
• 需要新的方法来提高治疗反应预测.

研究的目的:

• 评估一种新的多omics方法,结合基于MRI的放射学和非向的代谢学,用于预测直肠癌在分期治疗反应.
• 为了确定与治疗反应相关的预测性代谢和放射性信号.
• 开发一个机器学习分类器来区分响应者和非响应者.

主要方法:

• 试点研究结合了基于MRI的放射性特征和非目标代谢学.
• 分析与治疗反应相关的代谢特征,包括氧普罗林水平.
• 评估放射性特征,如纹理均性,用于预测病理反应.
• 实现一个机器学习分类器,整合放射性和代谢学数据.

主要成果:

• 响应患者显示下调的瘤细胞活力和上调的氧化应激反应.
• 在基线响应患者 (p < 10−4) 中观察到显著降低的氧普罗林值.
• 高瘤纹理均性预测了主要的病理反应 (p < 10−3).
• 多omics机器学习分类器实现了0.864的AUC (±0.083,p < 10−3),具有90.9%的灵敏度和81.8%的特异性.

结论:

• 综合放射学和代谢学的多omics方法增强了标准MRI对直肠癌治疗反应的预测价值.
• 这种方法可以帮助识别器官保存策略的合适候选者.
• 它有可能减少不必要的手术治疗和相关并发症.