基于CT的深度学习放射学生物标志物用于编程细胞死亡联体1表达在非小细胞肺癌中

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 编程细胞死亡配体1 (PD-L1) 是指导肺癌免疫治疗的关键生物标志物.
• 准确预测PD-L1表达对于非小细胞肺癌 (NSCLC) 的治疗选择至关重要.

研究的目的:

• 研究基于CT的深度学习放射学特征对NSCLC中PD-L1表达的预测价值.
• 评估放射学和深度学习模型在预测PD-L1状态方面的表现.

主要方法:

• 对259名NSCLC患者的回顾性分析,分为培训和验证队列.
• 从术前非对比CT图像中提取放射学和深度学习特征.
• 开发一个临床模型,一个放射学分数 (Rad-score) 和一个深度学习放射学分数 (DLR-score) 用于PD-L1预测.

主要成果:

• 临床模型的AUC达到0.767 (培训) 和0.604 (验证).
• 拉德评分显示AUC为0.849 (培训) 和0.717 (验证).
• DLR-score显著优于Rad-score和临床模型,其AUC为0.938 (训练) 和0.818 (验证).

结论:

• 基于CT的深度学习放射学特征提供了临床上可接受的PD-L1表达的预测.
• 这种成像生物标志物显示出作为NSCLC免疫组织化学评估的非侵入性替代品或补充物的潜力.