使用基于CT的深度学习对肺癌中新辅助化学免疫治疗的病理完整反应的非侵入性预测:一项多中心研究

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:

• 新辅助化疗免疫疗法已经改变了非小细胞肺癌 (NSCLC) 治疗.
• 预测患者对新辅助免疫疗法的反应对于临床决策至关重要.
• 目前用于预测NSCLC反应的方法需要改进.

研究的目的:

• 开发和验证一种深度学习 (DL) 模型,用于预测NSCLC患者对新辅助免疫治疗的病理完整反应 (pCR).
• 评估DL模型的性能与传统的临床模型相比.
• 探索DL模型预测能力的生物基础.

主要方法:

• 从248名接受新辅助化疗免疫治疗的NSCLC患者的计算机断层扫描 (CT) 成像数据的回顾性分析.
• 使用来自瑞医院的数据开发DL模型 (培训组:104名患者,验证组:69名患者).
• 外部验证DL模型使用宁波Hwamei医院和Zunyi医学大学附属医院 (75名患者) 的数据.

主要成果:

• 整体PCR率为29.4% (73/248名患者).
• 在验证组中,DL模型实现了0.775的曲线下的面积 (AUC),在pCR预测的外部队列中达到0.743.
• DL模型显著优于临床模型 (AUC分别为0.579和0.569) 并显示与细胞代谢途径和抗瘤免疫透的相关性.

结论:

• 开发的深度学习模型有效地预测基于CT成像的NSCLC患者的新辅助化疗免疫治疗的pCR.
• 与传统的临床评估相比,DL模型提供了更好的预测性能.
• 该模型的发现表明,在NSCLC中,代谢途径,免疫透和治疗反应之间存在联系.