机器学习算法集成正电子发射断层扫描/计算机断层扫描功能,预测肺癌新辅助化疗免疫治疗后的病理完整反应
Zhenxin Sheng1, Shuyu Ji1, Yancheng Chen2
1Department of Thoracic Surgery, Shanghai Pulmonary Hospital, Tongji University School of Medicine, Shanghai, China.
概括
机器学习模型在接受新辅助化疗免疫治疗的非小细胞肺癌 (NSCLC) 患者中准确预测病理完整反应 (pCR). 这种方法利用18F-FDG PET/CT成像功能进行非侵入性预测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 在新辅助化疗免疫治疗后,在非小细胞肺癌 (NSCLC) 中预测病理完整反应 (pCR) 对治疗评估至关重要.
- 18F-FDG PET/CT特征在预测NSCLC中的pCR中的作用仍在调查中.
研究的目的:
- 评估18F-FDG PET/CT特征在接受新辅助化疗免疫治疗的NSCLC患者的pCR预测中的实用性.
- 开发和验证机器学习 (ML) 模型,使用18F-FDG PET/CT数据预测pCR.
主要方法:
- 对205名接受新辅助化疗免疫疗法和18F-FDG PET/CT治疗的NSCLC患者的回顾性分析.
- 患者被分为培训 (70%) 和验证 (30%) 队列.
- 个别的18F-FDG PET/CT特征和5ML模型被评估用于pCR预测使用AUC;Shapley添加式解释被用于解释.
主要成果:
- 91名 (44.4%) 患者实现了pCR.
- 治疗后的SUVmax显示了最高的个体预测性表现 (AUC 0.72).
- 光梯度增强机模型实现了最高AUC (0.87培训,0.83验证),确定治疗后SUVmax和节点体积作为关键预测指标.
结论:
- 集成18F-FDG PET/CT特征的机器学习模型为预测NSCLC中的pCR提供了一种非侵入性和有效的方法.
- 这种方法可以帮助评估接受新辅助化疗免疫治疗的NSCLC患者的治疗反应.
