在mCRPC中使用机器学习预测对[177Lu]Lu-PSMA疗法的反应

科学领域:

• 在瘤学瘤学.
• 核医学就是核医学.
• 医疗成像医学成像

背景情况:

• 转移性割耐药前列腺癌 (mCRPC) 用[177Lu]Lu-PSMA放射性体疗法 (RLT) 的治疗正在出现.
• 患者对RLT的反应和耐受性各不相同,需要确定预测因素.
• 区分完全有益的治疗患者 (FBTP) 和不完全有益的治疗患者 (NFBTP) 对于优化RLT结果至关重要.

研究的目的:

• 确定区分FBTP与NFBTP进行mCRPC的RLT的预测因素.
• 评估机器学习在预测RLT治疗效率方面的作用.
• 为了提高个性化RLT治疗计划的患者选择.

主要方法:

• 分析了25名mCRPC患者 (11名FBTP,14名NFBTP) 的临床,成像和生物数据.
• 探索性数据分析和特征工程用于机器学习模型开发的应用.
• 整合胆PET成像和血液参数 (中性粒细胞,白细胞,性酸酶) 以提高预测准确度.

主要成果:

• 在FBTP和NFBTP之间观察到脏胆吸收强度的显著差异.
• 在FDG PET和PSMA成像 (FDG+/PSMA-) 之间的不一致被确定为NFBTP的潜在指标.
• 整合成像和生物数据的机器学习模型实现了0.92准确度,0.96灵敏度和0.96精度.

结论:

• 结合成像 (特别是胆PET) 和生物数据的综合方法显著提高了mCRPC中RLT结果的预测准确性.
• 机器学习有效地改进了对RLT的患者选择,优化了治疗计划.
• 识别预测因素可以提高对RLT疗效和患者分层的理解.