非侵入性瘤芽评估和与膀癌治疗反应的相关性:一个多中心队列研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 新辅助化疗免疫疗法 (NACI) 对膀癌 (BCa) 提供了临床益处,但超过一半的患者没有达到病理完整反应 (pCR).
• 瘤芽 (TB) 是BCa的预后因素,但其评估通常是侵入性的.
• 预测NACI反应和预后的非侵入性对优化治疗策略至关重要.

研究的目的:

• 调查瘤芽 (结核病) 状态与膀癌 (BCa) 中新辅助化学免疫治疗 (NACI) 的反应之间的相关性.
• 开发和验证一种深度学习模型,用于使用CT图像进行结核病状况的非侵入性预测.
• 评估基于深度学习的结核病状况预测在接受NACI的BCa患者中的预后价值.

主要方法:

• 利用2322名病理诊断BCa患者的多中心队列.
• 开发了一种深度学习模型,通过CT图像评估结核病状态.
• 在培训,内部验证,外部验证 (2个队列) 和NACI特定验证队列中验证了模型.

主要成果:

• 深度学习模型在预测结核病状况方面表现出很高的准确性 (AUC从0.854到0.944不等).
• 预测高结核病状况的患者的预后明显更差 (p < 0.05).
• 高结核病状况与较低结核病状况 (73.9%,p < 0.001) 相比,与明显较低的PCR率 (25.9%) 相关.

结论:

• 深度学习模型可以可靠且非侵入性地预测膀癌 (BCa) 患者的瘤芽 (TB) 状态.
• 这种人工智能工具有助于评估预后和制定个性化的NACI策略.
• 非侵入性结核病状况预测可以改善患者选择和BCa的治疗结果.