使用基于CT图像的深度学习放射学来预测NSCLC患者的PD-L1状态
Jiameng Lu1,2, Xinyi Liu1, Xiaoqing Ji3
1Department of Respiratory, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, Shandong Institute of Respiratory Diseases, Shandong Institute of Anesthesia and Respiratory Critical Medicine, 16766 Jingshilu, Lixia, Jinan, 250014, Shandong, People's Republic of China.
Scientific reports
|April 11, 2025
概括
深度学习放射学 (DLR) 有效地预测了使用CT扫描在非小细胞肺癌 (NSCLC) 中的编程死亡配体1 (PD-L1) 表达. 将DLR与临床数据集成进一步提高预测准确度,帮助个性化NSCLC治疗策略.
科学领域:
- 放射学和医学成像技术
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 编程死亡配体1 (PD-L1) 表达是非小细胞肺癌 (NSCLC) 免疫治疗的关键生物标志物.
- 准确预测PD-L1状态对于指导NSCLC患者的治疗决策至关重要.
- 目前评估PD-L1表达的方法可能是侵入性的或耗时的.
研究的目的:
- 开发和评估一种深度学习放射学 (DLR) 方法,用于预测NSCLC患者的PD-L1表达.
- 使用CT成像功能评估DLR模型的性能.
- 调查将DLR与临床数据整合在一起的附加值,以提高PD-L1预测.
主要方法:
- 利用352名已知PD-L1状态的NSCLC患者的CT图像.
- 用于对瘤感兴趣区域 (ROI) 的半自动细分.
- 使用剩余网络50提取深度学习功能,然后使用LASSO进行功能选择. 开发并比较了DLR模型和使用ROC分析的集成DLR临床数据模型.
主要成果:
- DLR模型实现了0.85的AUC,用于从CT图像中预测PD-L1状态.
- 结合DLR和临床数据的综合模型表现出卓越的性能,AUC为0.91.
- 这两种模型在PD-L1状态预测中都显示出显著的灵敏度和特异性.
结论:
- 深度学习放射学 (DLR) 显示了在NSCLC中非侵入性预测PD-L1状态的巨大潜力.
- 通过将DLR与临床数据集成,可以提高预测准确度.
- 这种DLR方法可以帮助临床决策和优化NSCLC个性化治疗策略.
