基于CT放射学的生物标志物可以预测肝细胞癌的免疫治疗反应
Liang Qi1, Yahui Zhu1, Jinxin Li2
1The Comprehensive Cancer Centre, Department of Oncology, Nanjing Drum Tower Hospital, The Affiliated Hospital of Nanjing University Medical School, No.321 Zhongshan Road, Nanjing, 210008, China.
Scientific reports
|August 28, 2024
概括
不响应免疫治疗的肝细胞癌 (HCC) 患者可以使用CT扫描放射学识别. 机器学习模型预测治疗的有效性,帮助肝癌的个性化药物.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 肝细胞癌 (HCC) 是癌症死亡的主要原因.
- 免疫疗法反应在HCC患者之间存在显著差异,因此需要预测生物标志物.
- 目前的治疗决定缺乏可靠的短期免疫疗法疗效指标.
研究的目的:
- 从CT成像中识别放射性生物标志物,用于预测HCC.的短期免疫治疗反应.
- 开发和验证机器学习模型,用于预测HCC患者的免疫疗法疗效.
- 结合放射学数据和先进的算法,以改善患者分层.
主要方法:
- 对接受免疫治疗的54名HCC患者的CT成像和临床数据的分析.
- 使用灰色水平运行长度矩阵 (GLRLM),强度直接,邻近灰色色调差矩阵 (NGTDM) 和形状来提取和分析放射性特征.
- 使用RapidMiner开发和比较9个机器学习和2个集体学习模型 (包括深度学习,随机森林,天真贝斯,包装,Adaboost).
- 使用29名HCC患者和XGBoost的单独队列与遗传算法进行验证.
主要成果:
- 来自GLRLM,强度直接,NGTDM和形状的放射性特征与免疫治疗反应显著相关 (部分反应与部分反应). 稳定的疾病).
- 功能组合 (15,19和8/15功能) 改善了预测结果.
- 深度学习,随机森林和天真海湾模型显示出卓越的性能;包装比Adaboost更可靠.
- 验证队列证实了选择的特征组合和XGBoost与遗传算法的良好表现.
结论:
- 来自CT的放射性特征,特别是来自GLCM,GLRLM,IntensityDirect,NGTDM和Shape的放射性特征,可以准确地预测HCC的短期免疫疗法疗效.
- 整合这些放射性特征的机器学习模型为指导HCC免疫疗法治疗决策提供了有前途的工具.
- 这种方法通过识别可能从免疫疗法中受益的患者,促进了个性化医疗.
