深度学习和与瘤免疫异质性相关的放射性特征预测结肠癌中的微血管入侵
Jianye Jia1, Jiahao Wang1, Yongxian Zhang2
1Department of Radiology, Beijing Friendship Hospital, Capital Medical University, No. 95 Yong'an Road, Xicheng District, Beijing 100050, China (J.J., J.W., Y.N.).
Academic radiology
|May 24, 2025
概括
一种新的深度学习放射学签名 (DLRS) 准确地使用CT扫描预测结肠癌 (CC) 中的微血管入侵. 这种非侵入性工具还为个性化治疗策略提供了对瘤免疫异质性的洞察.
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
背景情况:
- 微血管入侵 (MVI) 是结肠癌 (CC) 的关键预后因素.
- 准确的MVI的非侵入性预测对于治疗规划至关重要.
- 目前用于MVI检测的方法通常需要侵入性程序.
研究的目的:
- 开发和验证深度学习放射学签名 (DLRS),用于CC.中进行非侵入性MVI预测.
- 整合放射学和深度学习功能,以提高预测性能.
- 探索DLRS与瘤免疫异质性之间的关联.
主要方法:
- 一项多中心的回顾性研究,涉及1007名来自三个医疗中心的CC患者和TCGA-COAD.
- 从对比度增强的CT图像中提取放射学和深度学习特征.
- 使用机器学习算法开发和验证放射学,深度学习和联合DLR模型.
主要成果:
- 与独立模型相比,DLR融合模型表现出优越的预测性能.
- DLR模型的AUC值为0.883 (内部验证) 和0.855 (外部验证).
- DLRS分层揭示了免疫细胞透和检查点表达的显著差异,表明与免疫异质性的联系.
结论:
- 开发的基于CT的DLR融合模型对CC患者的非侵入性MVI预测是有效的.
- 这个模型可以作为一个有价值的手术前评估工具.
- 该研究强调DLRS与瘤免疫异质性之间的潜在关联,有助于优化个性化治疗策略.


