基于机器学习的放射性模型在预测肝细胞癌免疫治疗后的结果方面优于临床生物标志物
Mathew Vithayathil1, Deniz Koku1, Claudia Campani2
1Department of Surgery & Cancer, Imperial College London, London, UK.
Journal of hepatology
|April 17, 2025
概括
放射性和临床数据预测了接受阿特佐利祖马布加贝瓦西祖马布的不可切除肝细胞癌 (HCC) 患者的结果. 这种方法改善了风险分层,并确定了可能受益于免疫治疗的患者.
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
- 机器学习 机器学习
背景情况:
- 阿特佐利祖马布加贝瓦齐祖马布 (A/B) 是对不可切除的肝细胞癌 (HCC) 的标准一线治疗方法.
- 预测患者对A/B免疫疗法的反应仍然是一个临床挑战,因为只有部分患者受益.
- 需要新的预后标志物来指导高级HCC的治疗决策.
研究的目的:
- 整合治疗前成像的放射性和临床数据,以预测接受A/B治疗的HCC患者的生存结果和治疗反应.
- 开发和验证机器学习模型,用于接受免疫治疗的高级HCC患者的风险分层.
主要方法:
- 在两个国际中心对152名无法切除的HCC患者进行了回顾性分析,这些患者接受了A/B治疗.
- 基于深度学习的全肝面膜的自分化,来自治疗前的CT扫描.
- 使用7种机器学习算法和13种特征选择技术开发放射性和综合放射性临床模型,在独立的队列中得到验证.
主要成果:
- 综合放射性临床模型在培训和验证队列中 (AUC分别为0.89和0.75) 与BCLC阶段和ALBI等级相比显示出更好的预测性能.
- 根据模型确定的高风险患者的总生存期 (OS) 和无进展生存期 (PFS) 与低风险患者相比显著较短.
- 在多变量分析中,放射性特征被确定为OS和PFS最强的独立预测因素.
结论:
- 整合临床数据的基于放射性模型可以准确预测晚期HCC的生存结果和免疫治疗反应.
- 深度学习和机器学习促进了精确的患者分层,使HCC的个性化治疗策略成为可能.
- 这种方法提供了一种非侵入性方法,可以提高接受阿特佐利祖马布加贝瓦西祖马布的患者的预后评估.
