深度学习放射性生物标志物的现实世界和临床试验验证 PD-(L) 1 免疫检查点抑制剂反应在高级非小细胞肺癌中

科学领域:

• 放射学和人工智能在瘤学中的应用
• 医学成像和诊断 医学成像和诊断
• 免疫疗法生物标志物发展

背景情况:

• 预测晚期非小细胞肺癌 (NSCLC) 免疫检查点抑制剂 (ICI) 的反应对于优化患者治疗至关重要.
• 传统的成像生物标志物往往不能准确地识别那些将从ICI治疗中受益的患者.
• 现实世界数据 (RWD) 和临床试验数据为开发强大的预测生物标志物提供了宝贵的见解.

研究的目的:

• 开发和验证一种新的深度学习放射性生物标志物,用于估计高级NSCLC中ICI治疗反应.
• 利用现实世界数据 (RWD) 和临床试验数据进行全面的生物标志物评估.
• 根据已建立的成像指标评估开发的生物标志物的性能.

主要方法:

• 从学术和社区机构对1,829名先进的NSCLC患者进行了回顾性分析,这些患者接受了PD-L) 1 ICI治疗.
• 一个深度学习放射性管道从预治疗CT/PET-CT扫描生成了计算机断层扫描 (CT) 响应得分 (CTRS).
• 该CTRS和结合临床因素的增强版本 (eCTRS) 在独立的RWD和前性临床试验数据集上得到验证.

主要成果:

• 在RWD中,CTRS确定了反应概率高的患者,显示了无进展生存 (PFS) 和整体生存 (OS) 的显著危险比率.
• 在前性临床试验数据集中,CTRS证明了预测价值,具有显著的OS危险比率.
• 在临床试验中,CTRS和eCTRS在预测RWD和OS中的PFS和OS方面都超过了传统的损伤大小生物标志物.

结论:

• 一种深度学习放射性生物标志物 (CTRS) 已成功开发和验证,用于预测ICI在先进NSCLC中的益处.
• 该CTRS使用常规的治疗前CT/PET-CT扫描,提供一种非侵入性方法来识别可能响应ICI治疗的患者.
• 这种新型生物标志物有可能改善接受免疫治疗的NSCLC患者的治疗选择和治疗结果.