非侵入性多模式CT深度学习生物标志物用于预测新辅助免疫化学疗法后非小细胞肺癌的病理完整反应:一项多中心研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 新辅助免疫化学疗法是非小细胞肺癌 (NSCLC) 的标准治疗方法.
• 准确预测治疗反应对于优化患者的治疗结果至关重要.
• 目前用于预测反应的方法有限,需要新的生物标志物.

研究的目的:

• 开发和验证基于深度学习的成像生物标志物,用于预测NSCLC中新辅助免疫化学疗法的病理完整反应 (pCR).
• 探索多模式CT (对比增强和非对比增强) 与深度学习一起用于响应预测的实用性.

主要方法:

• 从接受新辅助免疫化学疗法的NSCLC患者CT扫描的回顾性分析.
• 从非对比增强 (LUNAI-uCT) 和对比增强 (LUNAI-eCT) CT 扫描中提取深度学习特征.
• 通过结合两种CT类型的特征来提高预测准确度,开发一个融合模型 (LUNAI-fCT).

主要成果:

• LUNAI-fCT模型在测试数据集中预测pCR方面表现出卓越的表现,达到0.866.6的曲线下面积 (AUC).
• 在LUNAI-uCT和LUNAI-eCT模型中,AUC分别为0.762和0.797.
• 使用夏普利增量扩展和梯度加权类激活映射来解释模型预测并识别关键成像特征.

结论:

• LUNAI-fCT模型整合了多模式CT的深度学习功能,作为一个有前途的非侵入性成像生物标志物.
• 该模型可以有效地预测NSCLC患者对新辅助免疫化学疗法的病理完整反应.
• 这些发现突显了人工智能驱动的放射学在个性化癌症治疗策略中的潜力.