针对使用全肺CT放射学进行杜尔瓦卢马布治疗的转移性NSCLC患者的生存风险预测模型
Kedar A Patwardhan1, Harish RaviPrakash1, Nikolaos Nikolaou2
1Oncology Data Science, AstraZeneca, Waltham, MA, United States.
Frontiers in immunology
|June 25, 2024
概括
使用CT放射学和临床数据的机器学习模型可以预测接受免疫治疗的转移性非小细胞肺癌 (NSCLC) 患者的存活率,单独超过PD-L1状态.
科学领域:
- 无线电学 (Radiomics) 是一种辐射学.
- 机器学习 机器学习
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 目前免疫疗法生存预测严重依赖PD-L1状态.
- 需要改善转移性非小细胞肺癌 (NSCLC) 的预测模型.
研究的目的:
- 评估整体肺CT放射学和临床数据集成的机器学习模型的有效性,以预测使用杜尔瓦卢马布治疗的NSCLC患者的生存率.
- 将这些模型的预测性能与PD-L1状态进行比较.
主要方法:
- 一大群1062名转移性NSCLC患者被用于模型培训和验证.
- 开发了三个模型:模型-C (临床数据),模型-R (放射学特征) 和模型-C+R (组合数据).
- 模型使用机器学习算法预测了"低于中位数的生存风险".
主要成果:
- 模型C+R在初级队列中获得了最高的分类准确性 (68%),在独立验证队列中达到72%.
- 模型-C+R的一致性指数在初级队列中为0.66,并且显示出强烈的概括性.
- 与仅使用临床或放射性数据的模型相比,组合模型表现出更好的预测性能.
结论:
- 机器学习模型结合基线全肺CT放射性和临床特征,显示出免疫治疗中患者选择的前景.
- 这些模型可能比单独的PD-L1状态提供更可靠的生存预测.
- 需要进行前性研究来进一步验证这些发现.
更多相关视频
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.3K
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
249
