自动机器学习准确地预测了免疫治疗对不可手术的高级非小细胞肺癌患者的疗效,使用基于计算机断层扫描的放射学模型

科学领域:

• 放射学和人工智能在瘤学中的应用
• 医学成像和计算病理学

背景情况:

• 在晚期非小细胞肺癌 (NSCLC) 中,免疫疗法反应显著变化.
• 目前缺乏可靠的生物标志物来预测NSCLC的免疫疗法疗效.
• 准确的预测对于优化个性化治疗策略至关重要.

研究的目的:

• 开发使用自动机器学习 (autoML) 来预测免疫治疗疗效的个性化模型.
• 评估基于CT的放射学特征在预测不可手术的晚期NSCLC患者治疗结果中的实用性.
• 建立一个强大的工具,用于NSCLC的个性化管理.

主要方法:

• 63名患有不可手术的晚期NSCLC的参与者被随机分配到培训和验证队列中.
• 从瘤的CT图像中提取了放射性特征.
• 自动ML被用来生成临床,放射和融合模型.
• 用多类接收器运行特征曲线评估模型性能.

主要成果:

• 融合模型在训练队列中实现了0.84 (AUC0.89-0.98) 的精度.
• 放射学模型在验证队列中显示了最高的精度 (0.89,AUC 0.98-1.00).
• 放射学模型在部分响应子组中显示出优异的预测.
• 较低的放射性评分与改善的无进展生存率 (PFS) 相关联.

结论:

• 自动ML生成的基于CT的放射学模型准确且可靠地预测接受免疫治疗的NSCLC患者的短期结果.
• 这种方法作为一个强大的工具,以协助个性化管理先进的NSCLC.
• autoML提高了特征选择和模型构建的效率,为个性化临床决策提供了快速,非侵入性的方法.