循环淋巴细胞子集和炎症指数的预测值,用于直肠粘膜腺癌患者的新辅助化疗或放射治疗反应:一种机器学习方法
Yu Lin1, Yanwu Sun1, Weizhong Jiang1
1Department of Colorectal Surgery, Fujian Medical University Union Hospital, Fuzhou, Fujian, People's Republic of China.
Cancer medicine
|July 24, 2024
概括
这项研究表明,使用炎症标志物和淋巴细胞子集的机器学习模型可以预测直肠粘膜腺癌患者的治疗反应. 这为直肠癌的个性化治疗提供了一个新的工具.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 医疗信息学 医疗信息学
背景情况:
- 直肠粘膜腺癌 (MACs) 在治疗反应预测方面存在独特的挑战.
- 新辅助化学辐射疗法 (NCRT) 是一种标准治疗方法,但预测患者的反应仍然至关重要.
- 确定治疗反应的可靠生物标志物对于优化患者的治疗结果至关重要.
研究的目的:
- 评估循环淋巴细胞子集和炎症指数对直肠MAC患者NCRT反应的预测值.
- 开发和比较治疗响应的预测模型 (nomogram和机器学习).
- 确定影响放射化疗敏感性的关键因素.
主要方法:
- 对283名直肠MAC患者进行了回顾性分析,接受了NCRT和治愈切除治疗.
- 使用多变量逻辑回归开发一个名ogram.
- 使用极端梯度增强 (XGB) 算法构建机器学习 (ML) 模型.
- 使用沙普利增量解释 (SHAP) 来量化特征重要性.
主要成果:
- 与名录 (C指数为0.756) 相比,ML模型实现了更高的预测准确性 (训练时AUROC 0.824,调整时0.762).
- 通过ML模型确定的关键预测因素包括Th/Tc比率,中性粒细胞与淋巴细胞比率,Th淋巴细胞,Gross类型和T淋巴细胞.
- 瘤长度,治疗前临床T阶段和PNI也被确定为独立的风险因素.
结论:
- 系统性炎症和淋巴细胞介导的免疫反应显著影响直肠MAC中的放射化疗敏感性.
- 开发的ML模型整合了临床数据,淋巴细胞子集和炎症指数,显示出作为评估工具的潜力.
- 该模型可以帮助为直肠MAC患者提供个性化治疗策略的参考.
