基于PET/CT的内和周放射学,用于在NSCLC中进行非侵入性和动态预测免疫治疗反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 预测非小细胞肺癌 (NSCLC) 治疗反应仍然具有挑战性.
• 免疫疗法已经显示出希望,但需要预测生物标志物.
• F-FDG PET/CT放射学提供了一种非侵入性成像方法.

研究的目的:

• 开发一种机器学习模型,用于预测NSCLC中的免疫治疗反应.
• 为了利用内和周围¹⁸F-FDG PET/CT放射学.
• 为了使治疗结果的动态和非侵入性预测.

主要方法:

• 对296名NSCLC患者的回顾性研究 (培训,测试和放射基因组队列).
• 使用极端梯度增强算法开发放射性模型.
• 来自PET,CT和PET/CT图像的放射性特征的组合成一个单一的得分 (COMB-Radscore).

主要成果:

• 该COMB-Radscore实现了高预测性能 (AUC 0.894培训,0.819测试).
• COMB-Radscore是一个独立的预后因素,用于无进展和整体存活.
• 在早期检测疾病进展方面表现出动态预测能力 (AUC 0.857).
• 与CD8+T细胞透和功能相关.

结论:

• 开发的放射性模型 (COMB-Radscore) 显示出显著的前景.
• 它作为一个精确,个性化和动态的决策支持工具NSCLC治疗.
• 这种方法可以帮助优化NSCLC患者的免疫疗法策略.