相关实验视频
Updated: Jun 4, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
深度学习模型用于预测高级非小细胞肺癌中免疫治疗反应
Mehrdad Rakaee1,2,3,4, Masoud Tafavvoghi5, Biagio Ricciuti6
1Department of Medicine, Brigham and Women's Hospital, Harvard Medical School, Boston, Massachusetts.
JAMA oncology
|December 26, 2024
概括
一个新的深度学习模型准确地预测了高级非小细胞肺癌 (NSCLC) 中的免疫检查点抑制剂 (ICI) 反应. 这种工具可以帮助个性化免疫疗法,通过识别最有可能从ICI治疗中受益的患者.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 生物标志物发现发现
背景情况:
- 晚期非小细胞肺癌 (NSCLC) 免疫检查点抑制剂 (ICI) 的有限反应率需要个性化治疗策略.
- 确定可能从ICI治疗中受益的患者对于优化晚期NSCLC的临床结果至关重要.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于预测高级NSCLC患者的ICI反应.
- 将DL模型的预测性能与PD-L1,TMB和TILs等已知的生物标志物进行比较.
- 评估DL模型与晚期NSCLC无进展和整体存活的关联.
主要方法:
- 一项多中心队列研究开发了一个DL模型,使用ICI单疗治疗的高级NSCLC患者的整片图像.
- 该模型在一个单独的队列中被独立验证.
- 通过将其对客观响应率 (ORR) 的预测能力与PD-L1,TMB和TILs进行比较来评估性能.
主要成果:
- DL模型对ICI反应具有显著的预测能力,在验证队列中AUC为0.66.
- DL模型是无进展和整体生存的独立预测指标.
- DL模型的表现优于TMB和TIL,与PD-L1可比,具有更好的特异性;将DL与PD-L1结合起来进一步增强了预测.
结论:
- 从组织病理学图像获得的深度学习模型显示,在先进的NSCLC中,ICI反应与ICI反应有着强烈的,独立的关联.
- 这种DL模型有可能改进治疗选择,并改善高级NSCLC患者的精准医学.
- 这种DL工具的临床实施可以提高对有益的ICI治疗的患者鉴定.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
06:03Orthotopic Transplantation of Syngeneic Lung Adenocarcinoma Cells to Study PD-L1 Expression
Published on: January 19, 2019
16.8K
