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
在一线免疫治疗转移性非小细胞肺癌患者的回顾性病例研究中探索机器学习工具:一线免疫治疗的可行性单中心实验
Francesca Rita Ogliari1, Alberto Traverso2, Simone Barbieri2
1Università Vita-Salute San Raffaele, Milan, Italy; Department of Medical Oncology, IRCCS Ospedale San Raffaele, Milan, Italy.
Lung cancer (Amsterdam, Netherlands)
|January 3, 2025
概括
机器学习模型可以预测在接受免疫治疗的转移性非小细胞肺癌患者的早期进展. 解决数据提取挑战是实施这些人工智能工具在常规临床实践中的关键.
科学领域:
- 在瘤学瘤学.
- 人工智能在医学中的应用
- 机器学习 机器学习
背景情况:
- 人工智能 (AI) 提供了在健康记录中识别预测特征的潜力.
- 人工智能的临床实施面临技术限制和可解释性方面的挑战.
- 在转移性非小细胞肺癌 (NSCLC) 中预测对一线免疫疗法 (ICI) 的反应至关重要,因为许多患者没有受益.
研究的目的:
- 探索机器学习 (ML) 模型在常规临床实践中的可行性,用于预测转移性NSCLC患者的早期进展,这些患者接受一线ICI治疗.
- 确定在临床环境中日常实施ML的挑战和解决方案.
- 用早期进展作为初步终点来测试算法的性能.
主要方法:
- 追溯收集连续转移性NSCLC患者 (PD-L1 ≥50%),接受一线ICI治疗 (2017-2021年).
- 数据检索 (人口,实验室,分子,临床) 是手动和自动执行的.
- 应用了自动化ML (AutoML) 模型,包括投票组合和白盒模型 (Shapley添加式扩展),以预测早期进展.
主要成果:
- 在包括的106名患者中,49%的患者在3个月内出现了早期进展或死亡.
- 早期进展与高中性粒细胞百分比 (>80%),高中性粒细胞/淋巴细胞比率 (≥8) 和较低的PD-L1状态 (<70%) 相相关.
- 自动ML模型实现了~80%的精度,投票组合表现最好;实验室特征是最具预测性的.
结论:
- ML模型可用于预测转移性NSCLC的第一线ICI的早期进展.
- 解决预分析问题,特别是自动数据提取和收集,对于提高ML模型性能和可解释性至关重要.
- 成功实施需要克服数据提取和处理对临床实用性的挑战.
