基于人工智能的个性化生存预测,使用临床和放射性特征,对患有晚期非小细胞肺癌的患者进行预测

科学领域:

• 在瘤学瘤学.
• 人工智能在医学中的应用
• 生物统计学 生物统计学

背景情况:

• 晚期非小细胞肺癌 (NSCLC) 基于驱动性瘤基因和PD-L1状态等生物标志物有多种第一线治疗选择.
• 对于个体NSCLC患者来说,最佳治疗选择仍然具有挑战性.
• 这项研究解决了在高级NSCLC中选择治疗的个性化方法的需要.

研究的目的:

• 为先进的NSCLC开发基于人工智能 (AI) 的个性化生存预测模型.
• 根据预测的存活率,优化针对个体患者的治疗选择.
• 将人工智能模型的性能与传统的统计模型进行比较.

主要方法:

• 使用随机生存森林 (RSF) 算法来构建预测模型.
• 该模型利用了患者的特征,治疗史和放射学特征.
• 使用外部测试数据验证了预测准确性,并与Cox比例危险 (CPH) 模型进行了比较.

主要成果:

• 人工智能模型整合了各种因素,包括人口统计,临床数据,生物标志物 (驱动性瘤基因,PD-L1),血液测试和放射学特征.
• 在测试数据上,RSF模型的C指数比CPH模型 (0.775) 高 (0.841).
• 人工智能模型成功识别了生存结果差的患者,包括那些接受布罗利祖马布治疗或驱动器基因向治疗的患者.

结论:

• 这种基于人工智能的算法准确地预测了个别高级NSCLC患者的存活率.
• 这种人工智能方法提供了一个有前途的工具,用于推进NSCLC治疗中的个性化医学.
• 该研究强调了人工智能在改善治疗选择和患者治疗结果方面的潜力.