基于多模式数据,预测胃癌对抗HER2治疗或抗HER2联合免疫治疗的反应
Zifan Chen1, Yang Chen2, Yu Sun3
1Center for Data Science, Peking University, Beijing, China.
Signal transduction and targeted therapy
|August 25, 2024
概括
这项研究引入了使用放射学,病理学和临床数据的多模式 (MuMo) 深度学习模型,以预测HER2阳性胃癌的治疗反应. MuMo准确地预测了抗HER2疗法和联合免疫疗法的结果,改善了个性化医疗.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 基因组学就是基因组学.
背景情况:
- 单一模式数据限制了对HER2阳性胃癌 (GC) 异质性和治疗耐药性的理解.
- 预测GC治疗反应的预测模型,特别是使用人工智能,是不发达的.
研究的目的:
- 开发一种全面的分析方法,用于预测 HER2 阳性 GC 的治疗反应.
- 准确预测患者对抗HER2治疗或联合抗HER2和免疫治疗的反应.
主要方法:
- 收集了来自429名HER2-阳性GC患者的多模式数据 (放射学,病理学,临床).
- 开发并应用了一个深度学习模型 (MuMo),集成多模式数据用于响应预测.
- 验证了MuMo对抗HER2治疗和联合抗HER2/抗PD-1/PD-L1免疫疗法方案的性能.
主要成果:
- 在抗HER2治疗中,MuMo的AUC为0.821,在联合免疫治疗中为0.914.
- 通过MuMo识别的低风险患者表现出明显延长的无进展和整体存活时间.
- 该模型强调了多模式数据在预测治疗结果方面的价值.
结论:
- 多模式数据分析对于 HER2 阳性 GC 的个性化药物至关重要.
- MuMo模型显示了治疗响应预测的重大潜力和临床价值.
- 这种方法提高了对HER2阳性胃癌患者的治疗评估.
