在NSCLC中使用PET/CT放射学进行PD-L1状态预测的复制研究
Anna Theresa Stüber1, Maurice M Heimer2, Johanna Ta2
1Department of Radiology, LMU University Hospital, LMU Munich, Marchioninistraße 15, 81377 Munich, Germany; Department of Statistics, LMU Munich, Ludwigstr. 33, 80539 Munich, Germany; Munich Center for Machine Learning (MCML), Geschwister-Scholl-Platz 1, 80539 Munich, Germany.
European journal of radiology
|December 10, 2024
概括
这项研究未能复制先前的放射学模型的研究结果,用于预测非小细胞肺癌 (NSCLC) 中的编程细胞死亡配体1 (PD-L1) 表达. 这些模型的预测性能显著降低,质疑放射学在这种情况下的可靠性.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是指放射学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 编程细胞死亡配体1 (PD-L1) 表达是非小细胞肺癌 (NSCLC) 免疫治疗的关键生物标志物.
- 放射学是一种从医疗图像中提取定量特征的方法,已经显示出在非侵入性地预测PD-L1状态方面的潜力.
- 之前的研究,如等人,提出了基于放射学的机器学习 (ML) 模型,这些模型对使用[18F]FDG PET/CT的NSCLC中PD-L1表达具有有希望的预测能力.
研究的目的:
- 调查放射学对确定NSCLC患者PD-L1表达 (>=1%) 状态的预测能力.
- 复制和验证由等人提出的基于放射学的ML模型. 使用一个独立的[18F]FDG PET/CT数据集.
- 评估不同ML模型管道和细分方法 (肺组织窗口与软组织窗口) 在预测PD-L1状态方面的性能.
主要方法:
- 一个独立的队列254名NSCLC患者与[18F]FDG PET/CT成像被分析.
- 使用肺组织窗口 (LTW) 和软组织窗口 (STW) 方法进行了初级瘤细分.
- 放射学模型 ("Rad-score"",复杂模型") 和临床阶段模型,反映了等人. "的方法,使用10倍交叉验证和AUC分析进行评估. 一项基准研究比较了不同的ML管道.
主要成果:
- "Rad-score"模型的平均AUC为0.593 (STW) 和0.573 (LTW),明显低于报告的0.761.
- "复杂模型"的平均AUC为0.505 (STW) 和0.519 (LTW),低于报告的0.769.
- 临床模型显示平均AUC为0.555,低于报告的0.64. 所有测试的模型的表现明显低于原始研究的结果,基准测试表明ML管道的表现始终低.
结论:
- 这项研究未能复制基于放射学的ML模型在NSCLC中PD-L1表达的预测性能,正如Zhao等人所报道的那样.
- 这些发现表明,从[18F]FDG PET/CT成像中提取的放射学特征可能对分类PD-L1表达在这个队列中的预测价值有限.
- 在复制基于放射学的ML模型方面存在重大挑战,这凸显了在放射学研究中严格的外部验证和标准化至关重要.
