使用机器学习的基于计算机断层扫描的放射学在估计结肠直肠肝转移病理反应后化疗后的病理反应方面优于放射科医生的评估

科学领域:

• 放射学 放射学是一门学科.
• 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:

• 结肠直肠肝转移 (CRLM) 是癌症治疗中的一个常见挑战.
• 评估治疗反应对于患者管理和治疗选择至关重要.
• 新辅助疗法通常用于手术切除前治疗CRLM.

研究的目的:

• 评估基于CT的放射学在预测CRLM对新辅助疗法的病理治疗反应方面的有效性.
• 为了比较CT放射学的性能与RECIST 1.1和CT形态学标准进行响应评估.

主要方法:

• 开发了一个机器学习模型,使用CRLM治疗后CT扫描中的放射性特征.
• 从瘤和周区域提取了特征.
• 确定了病理反应者 (≥50%的反应) 并与非反应者进行比较.

主要成果:

• 传统的放射学评估 (RECIST 1.1,CT形态标准) 与病理反应没有相关性.
• 在验证队列中,CT放射学机器学习模型在验证队列中获得了0.87的AUC.
• 放射学显著优于主观RECIST (AUC = 0.53) 和形态评估 (AUC = 0.56) 的表现.

结论:

• 使用RECIST 1.1和CT形态标准的放射科医生评估不足以确定CRLM后新辅助疗法的病理反应.
• 基于CT的放射学提供了一个高度准确和客观的方法来评估CRLM的治疗反应,优于传统方法.