基于CT图像的放射性分析,用于检测膀癌患者的PD-L1表达状态
Ying Cao1, Hongyu Zhu2, Zhenkai Li3
1Department of Radiotherapy, Suzhou Kowloon Hospital, Shanghai Jiaotong University School of Medicine, Suzhou 215028, China.
Academic radiology
|March 31, 2024
概括
这项研究开发了一种机器学习模型,使用CT扫描的放射性特征来预测膀癌患者的编程死亡配体1 (PD-L1) 表达,帮助免疫疗法选择.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 编程死亡配体1 (PD-L1) 表达对于选择膀癌的免疫疗法至关重要.
- 准确预测PD-L1状态对于个性化治疗策略至关重要.
研究的目的:
- 开发和验证使用计算机断层扫描 (CT) 成像的放射性模型,以预测膀癌患者的PD-L1表达.
- 评估各种机器学习算法在预测PD-L1状态方面的性能.
主要方法:
- 包括183名膀癌患者,其中60.1%的患者检测PD-L1.1呈阳性.
- 五个机器学习算法 (决策树,随机森林,线性SVC,SVM,逻辑回归) 被训练在CT扫描中的放射性特征上.
- 模型性能使用接收器操作特征 (ROC) 曲线和DeLong测试在验证集上进行评估.
主要成果:
- 所有五种模型在训练组中都表现出强的表现 (AUC 0.920-1),在验证组中表现出良好的预测能力 (AUC 0.753-0.766).
- 在验证组中的模型之间没有发现统计学上显著的差异 (P > 0.05).
- 逻辑回归显示出基于校准和决策曲线分析的卓越精度和实用性.
结论:
- 使用放射性特征的机器学习模型可以有效地预测膀癌中高PD-L1表达.
- 用更大的数据集进行进一步的研究可能会增强放射性模型在免疫治疗选择中的临床实用性.
