相关实验视频
Updated: Jun 3, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
临床,病理学,放射学和转录基因数据的整合改善了对转移性非小细胞肺癌中第一线免疫治疗结果的预测
Nicolas Captier1,2, Marvin Lerousseau3,4, Fanny Orlhac5
1Laboratoire d'Imagerie Translationnelle en Oncologie, Institut Curie, Inserm U1288, PSL Research University, Orsay, France. nicolas.captier@polytechnique.org.
Nature communications
|January 12, 2025
概括
使用机器学习的多模式数据分析改善了对转移性非小细胞肺癌 (NSCLC) 患者免疫治疗反应的预测. 这些综合方法的表现优于单个生物标志物,可以改善患者的护理.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物标志物发现发现
背景情况:
- 免疫治疗改善了转移性非小细胞肺癌 (NSCLC) 的存活率.
- 预测性生物标志物对于优化免疫治疗反应和患者管理至关重要.
- 目前的生物标志物,如PD-L1,在识别所有响应者方面存在局限性.
研究的目的:
- 评估多式联络数据集成在预测NSCLC免疫治疗结果方面的有效性.
- 将多模式机器学习模型的性能与单模式方法和现有生物标志物的性能进行比较.
- 探索结合各种数据类型的先进策略,以提高预测准确度.
主要方法:
- 从接受一线免疫治疗的317名转移性NSCLC患者的基线多式数据分析.
- 包括正电子发射断层扫描 (PET) 图像,数字化病理幻灯片,转录组数据和临床信息.
- 应用各种机器学习算法和数据集成策略.
主要成果:
- 多模式模型在预测免疫治疗反应方面显著优于单模式模型.
- 综合方法超过了已建立的单变体生物标志物,包括PD-L1表达.
- 与单独的临床特征相比,几种多模式组合显示出优越的患者风险分层.
结论:
- 多模式数据集成为预测NSCLC免疫治疗结果的单模式方法提供了一种优越的方法.
- 这些发现支持使用全面的多式联络数据集开发强大的免疫疗法生物标志物.
- 这项研究倡导收集和分析大规模的多式联络数据,以推进个性化NSCLC治疗.
