相关实验视频
Updated: Jun 26, 2025

08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
基于可切除IIIA (N2) 阶段非小细胞肺癌的整合模型,预测新辅助免疫疗法的治疗反应
Long Xu1, Haojie Si1, Fenghui Zhuang1
1Department of Thoracic Surgery, Shanghai Pulmonary Hospital, School of Medicine, Tongji University, Shanghai, China.
The Journal of thoracic and cardiovascular surgery
|May 19, 2024
概括
结合深度学习,血液瘤突变负担 (bTMB) 和临床因素的综合模型显示,预测非小细胞肺癌对新辅助化疗免疫疗法的反应具有前途. 序列ctDNA动态也可靠地监测治疗反应.
科学领域:
- 在瘤学瘤学.
- 翻译研究是翻译研究.
- 基因组学就是基因组学.
背景情况:
- 在接受新辅助化疗免疫治疗的可切除非小细胞肺癌 (NSCLC) 中预测治疗反应至关重要.
- 目前评估治疗疗效的方法需要改进,以实现个性化的患者管理.
研究的目的:
- 评估基于血液的瘤突变负担 (bTMB) 和深度学习 (DL) 模型在预测NSCLC患者的主要病理反应 (MPR) 和生存方面的有效性.
- 开发和验证结合DL,bTMB和临床因素的综合模型,以提高预测准确度.
主要方法:
- 从45名IIIA (N2) 期NSCLC接受新辅助化疗免疫治疗的患者收集血液样本.
- 开发一个综合预测模型,包括基于CT的DL得分,bTMB和临床数据.
- 对bTMB和循环瘤DNA (ctDNA) 动态的分析,与MPR和生存结果相关.
主要成果:
- 较高的基线bTMB (≥11突变/兆基) 与显著改善的MPR率和无病生存率相关.
- 综合模型实现了0.820的AUC,仅仅超过DL模型 (AUC0.703).
- 手术前ctDNA清除与更高的MPR率和改善的无病生存率密切相关.
结论:
- 综合模型显示,在NSCLC中预测瘤对新辅助化疗免疫疗法的反应具有显著的潜力.
- 对ctDNA动态的连续监测提供了一种可靠的方法,用于评估在新辅助疗法期间的治疗反应.
更多相关视频
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
07:15A Mouse Model of Incompletely Resected Soft Tissue Sarcoma for Testing Neoadjuvant Therapies
Published on: July 28, 2020
9.6K