基于计算机断层扫描的深度学习放射学模型用于在结肠直肠癌中预先预测瘤免疫微环境

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:

• 结肠直肠癌 (CRC) 是一个主要的全球健康问题,瘤免疫微环境 (TIME) 显著影响患者的结果和对免疫治疗的反应.
• 目前用于评估TIME的方法,如侵入性活检,对于广泛的临床应用有局限性.
• 这项研究探讨了基于计算机断层扫描 (CT) 的深度学习 (DL) 放射学的潜力,以非侵入性地预测关键的 TIME 生物标志物.

研究的目的:

• 开发和验证一种非侵入性的DL放射学方法,使用手术前CT扫描来评估CRC患者的TIME组件.
• 预测关键的TIME生物标志物,包括瘤-肌瘤比率 (TSR),瘤透淋巴细胞 (TILs) 和免疫评分 (IS).

主要方法:

• 对315名病理确诊的CRC患者的手术前CT图像进行了回顾性分析,分为培训 (220) 和验证 (95) 队列.
• 深度学习功能从手动划分的感兴趣区域中提取出来.
• 包括DenseNet-121和DenseNet-169在内的预测模型被开发用于TSR,TIL,IS和TIME分类,使用ROC曲线,校准曲线和决策曲线分析 (DCA) 评估性能.

主要成果:

• DL-DenseNet-169模型表现出强的性能,曲线下的面积 (AUC) 为TSR的0.892和TIME得分的0.772.
• 在DL-DenseNet-121模型中,TIL的AUC值为0.851,IS的AUC值为0.852.
• 所有模型通过校准曲线显示出优异的预测观察一致性,并通过DCA证实了临床效用 (P < 0.05).

结论:

• 基于CT的DL放射学提供了一种可靠且非侵入性的方法,用于在结直肠癌中进行手术前评估TIME.
• 这种创新方法有可能促进个性化免疫疗法策略,从而改善CRC管理和患者的治疗结果.