开发和验证一个放射学联合临床模型预测食道状细胞癌患者的治疗反应

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
• 机器学习 机器学习

背景情况:

• 食道状细胞癌 (ESCC) 是一个重要的全球健康问题.
• 预测对绝对化疗放射治疗 (dCRT) 的治疗反应对于优化患者结果至关重要.
• 目前的预测方法可能无法充分利用整合的放射性和临床数据.

研究的目的:

• 开发和验证一个整合放射学和临床特征的机器学习模型.
• 在接受dCRT的晚期ESCC患者中预测治疗反应.
• 加强ESCC的个性化治疗策略.

主要方法:

• 分析了接受dCRT的204名晚期ESCC患者的队列.
• 从治疗前的CT扫描中提取了放射性特征,并使用LASSO进行了选择.
• 通过多变量后勤分析确定了临床特征;使用后勤回归构建了一个组合模型并进行了验证.

主要成果:

• 一个结合了3个放射学和3个临床特征的组合模型,证明了卓越的预测性能.
• 组合模型的AUC值为0.79 (训练) 和0.78 (验证),表现优于仅放射学或仅临床模型.
• 决策曲线分析和校准曲线证实了组合模型的强大性能.

结论:

• 综合放射学和临床特征模型为预测dCRT响应在ESCC中提供了一个强大的工具.
• 该模型可以帮助临床医生在开始治疗之前识别不太可能对dCRT有反应的患者.
• 它支持为高级ESCC开发个性化治疗计划.