![Dynamic Imaging of Chimeric Antigen Receptor T Cells with [18F]Tetrafluoroborate Positron Emission Tomography/Computed Tomography](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F62334.jpg&w=3840&q=50)
PrCRS:基于转移学习的CAR-T治疗中严重CRS的预测模型
Zhenyu Wei1, Chengkui Zhao2,3, Min Zhang2
1Intelligent Systems Science and Engineering College, Harbin Engineering University, Liaoyuan Street, Harbin, 150006, Heilongjiang Province, People's Republic of China. 952376687@hrbeu.edu.cn.
BMC bioinformatics
|May 20, 2024
概括
一个新的深度学习模型,PrCRS,准确地预测了CAR-T治疗患者的严重细胞因子释放综合征 (CRS),使得及时干预成为可能. 该模型使用转移学习来预测CRS的可能性和时间,从而提高患者的安全性.
科学领域:
- 在瘤学瘤学.
- 生物技术是生物技术.
- 医疗信息学 医疗信息学
背景情况:
- 卡特-T细胞疗法是一种有前途的癌症治疗方法,但具有诸如细胞因子释放综合征 (CRS) 等风险.
- 预测严重的CRS对于患者的安全至关重要,因为它具有危及生命的性质.
- 现有的预测模型缺乏准确性和深度学习方法.
研究的目的:
- 开发一个准确的深度学习模型,用于预测CAR-T治疗患者的严重细胞因子释放综合征 (CRS).
- 预测严重CRS发生的概率和时间.
- 改进目前基于决策树的预测模型的局限性.
主要方法:
- 开发了PrCRS,这是一个使用U-net和Transformer架构的深度学习模型.
- 由于CAR-T患者数据有限,员工转移学习使用COVID-19患者数据.
- 创建了六个模型,以提前一,两,三天预测严重的CRS概率.
主要成果:
- 与CRS预测的现有最先进方法相比,PrCRS模型表现出更高的性能.
- 成功预测了严重CRS的概率和时间.
- 提供了将模型输出转换为临床使用的实际概率的策略.
结论:
- PrCRS有效地预测了严重CRS的可能性和时间,有助于及时评估患者.
- 该研究解决了应用深度学习用于CRS预测的差距,增强了医学研究的新性.
- 公共可用的代码和预测平台有助于进一步的研究和临床应用.
