DeepGR:一种基于糖溶性放射学的深度学习预后模型,用于非小细胞肺癌

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 基因组学就是基因组学.

背景情况:

• 葡萄糖溶解是肺癌的预后指标,但基因组标记物昂贵且难以识别.
• 这项研究的重点是利用计算机断层扫描 (CT) 放射学来找到与糖解相关的标记物.
• 非小细胞肺癌 (NSCLC) 的预后可能难以准确确定.

研究的目的:

• 识别CT放射学特征与NSCLC中的糖解有关.
• 使用这些放射学特征,开发一个深度学习的NSCLC预后模型.
• 评估模型预测患者结果和免疫治疗反应的能力.

主要方法:

• 利用单个样本基因组丰富分析来评估糖解丰富分数.
• 使用LIFEx软件提取了放射性特征,并使用LASSO算法确定了关键特征.
• 构建了一个深度学习模型,集成CT放射学和临床数据,在多个队伍中验证.

主要成果:

• 较高的糖解水平与较差的生存结果相关.
• 开发的DeepGR模型基于11个放射性特征,在预测NSCLC患者的结果方面实现了高准确性 (AUC为0.8760和0.8259).
• 高风险的DeepGR得分与整体存活率差以及对PD-1免疫治疗的良好反应有关.

结论:

• DeepGR模型在预测NSCLC预后方面显示出显著的潜力.
• 这种基于放射学的方法为评估糖解状态的基因组标记物提供了经济有效的替代方案.
• 该模型有助于识别可能受益于特定免疫疗法的患者.