一个集成的放射病理学机器学习模型来预测胃癌前手术化疗的病理反应
Yaolin Song1, Shunli Liu2, Xinyu Liu1
1Department of Pathology, The Affiliated Hospital of Qingdao University, No.16 Jiangsu Road, Qingdao, China.
Academic radiology
|August 30, 2024
概括
这项研究开发了一种放射病理学名图 (RPN),以准确预测胃癌患者对化疗的反应. RPN为个性化治疗策略和改善生存结果提供了一个新的工具.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 对新辅助化疗病理反应的准确预测对于个性化治疗和改善胃癌 (GC) 的存活率至关重要.
- 目前用于预测GC治疗反应的方法有限,需要开发新的预测工具.
研究的目的:
- 开发和验证一个集成放射学和病理学特征的机器学习模型,用于预测胃癌手术前化疗的病理反应.
- 构建一个将放射病理学特征和临床特征结合在一起的名图,以提高个性化GC治疗的预测准确性.
主要方法:
- 对151名接受了手术前化疗和手术切除的胃癌患者的回顾性分析.
- 从预处理CT图像和全幻灯片病理段中提取放射性和病理特征.
- 组合放射病理学模型和综合放射病理学名图 (RPN) 的开发,包括临床数据 (博尔曼型).
主要成果:
- 一个融合放射病理学模型在验证队列中实现了0.789的AUC.
- 开发的放射病理学名图 (RPN) 显示出优异的预测性能,AUC为0.880 (训练) 和0.797 (验证).
- 决策曲线分析表明,RPN为胃癌患者提供了有利的临床益处.
结论:
- 放射病理学名图 (RPN) 准确预测胃癌手术前化疗的病理反应.
- RPN 是指导胃癌患者个性化治疗策略的新有效工具.
- 这种方法有可能通过量身定制的治疗干预来改善患者的治疗结果和生存率.
