一种基于CT放射学的新型机器学习模型,用于预测NSCLC中免疫疗法-化疗的疗效,基于CT放射学
Chengye Li1, Zhifeng Zhou2, Lingxian Hou3
1Department of Pulmonary and Critical Care Medicine, The First Affliated Hospital of Wenzhou Medical University, Wenzhou, 325000, China.
Computers in biology and medicine
|June 19, 2024
概括
一个新的机器学习模型准确地预测了接受免疫疗法和化疗的高级非小细胞肺癌 (NSCLC) 患者的无进展生存期 (PFS). 这个工具有助于个性化治疗规划,以获得更好的患者结果.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 非小细胞肺癌 (NSCLC) 是最常见的肺癌类型,晚期经常用免疫疗法和化疗治疗.
- 目前这种治疗的无进展生存期 (PFS) 是有限的 (6-8个月),突出需要更好的患者分层.
- 准确预测长期PFS (>12个月) 对于有效的个性化治疗策略至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测NSCLC患者的PFS,这些患者接受免疫疗法和化疗.
- 确定可预测治疗反应和长期生存的关键成像特征.
主要方法:
- 从60名NSCLC患者的肺CT图像的回顾性分析.
- 开发了bSGSRIME-SVM模型,将 rime优化与自适应高斯内核概率搜索 (SGSRIME) 和支持向量机 (SVM) 集成在一起.
- 使用颜色时刻和灰色水平共发生矩阵方法进行特征提取.
主要成果:
- bSGSRIME-SVM模型实现了92.381%的高预测准确度和96.667%的特异性.
- 该SGSRIME算法展示了强大的优化能力.
- 该模型有效地确定了用于预测治疗疗效的关键图像特征.
结论:
- 开发的机器学习模型显示了在NSCLC患者中准确预测PFS的显著前景.
- 这种方法可以促进更精确的患者选择免疫疗法和化疗组合.
- 这些发现支持制定个性化治疗计划,以改善NSCLC患者的治疗结果.
