预测局部晚期胃癌的新辅助化疗反应,使用结合放射学和临床生物标志物的机器学习模型
Tong Ling1, Zhichao Zuo2, Liucheng Wu1
1Department of Gastrointestinal Surgery, Guangxi Medical University Cancer Hospital, Guangxi, China.
Digital health
|May 12, 2025
概括
这项研究开发了一种机器学习模型,整合了放射学和临床数据,以预测局部晚期胃癌患者的新辅助化疗反应. 混合模型显著提高了预测准确性,提供了个性化的治疗见解.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 新辅助化疗 (NAC) 对于局部晚期胃癌 (LAGC) 是至关重要的.
- 预测患者对NAC的反应是具有挑战性的,因为响应的可变性.
- 准确预测NAC瘤回归度 (TRG) 对于治疗优化至关重要.
研究的目的:
- 为了提高LAGC患者中NAC TRG的预测.
- 使用机器学习 (ML) 将放射性特征与临床生物标志物集成.
- 为改进NAC响应预测开发一种混合模型.
主要方法:
- 分析了255名接受NAC和手术切除的LAGC患者.
- 从预处理CT扫描中提取了1130个放射性特征.
- 开发了放射学评分,并使用ML算法与临床生物标志物集成,包括随机森林 (RF).
主要成果:
- 一个融合放射学和临床生物标志物的混合射频模型实现了0.814.8的AUC.
- 混合模型的表现优于独立放射学模型 (AUC=0.755) 和临床模型 (AUC=0.682).
- 在队列中确定了22.4%的响应者 (TRG 0-1) 和77.6%的非响应者 (TRG 2-3).
结论:
- 一个基于射频的混合模型有效地预测LAGC患者的NAC反应.
- 该模型整合了放射学和临床生物标志物,以获得个性化的治疗见解.
- 开发的模型为NAC响应预测提供了更好的诊断性能.
