深度学习和炎症标志物预测了不可切割的NSCLC免疫治疗的早期反应:一项多中心研究

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:

• 免疫检查点抑制剂 (ICI) 在不可切除的非小细胞肺癌 (NSCLC) 中显示出可变的疗效.
• 对于预测早期治疗反应和提高接受ICI治疗的NSCLC患者的存活率的非侵入性生物标志物非常需要.

研究的目的:

• 开发和验证一个与系统性免疫-炎症-营养指数 (SIINI) 集成的深度学习模型,用于早期预测不可切割的NSCLC中的ICI反应.
• 用基于CT的放射性特征和临床数据评估模型的预测性能和可解释性.

主要方法:

• 一项回顾性多中心研究,涉及265名无法切除的NSCLC患者,接受ICI治疗.
• 开发一个深度学习模型 (DenseNet121),结合来自胸部CT扫描和SIINI分数的放射性特征.
• 在内部 (30%) 和外部数据集上对模型的验证,使用曲线下的面积 (AUC) 评估性能.
• 使用梯度加权类激活映射 (Grad-CAM) 来实现模型的可解释性.

主要成果:

• 综合深度学习和SIINI模型显示出强大的预测性能.
• 在内部验证队列中达到0.865的AUC (95%CI:0.7709-0.9595).
• 在外部验证队列中达到0.823的AUC (95%CI:0.6627-0.9827).
• 格拉德-CAM分析确定了影响预测的关键CT区域,提高了临床解释性.

结论:

• 将深度学习与放射性特征和SIINI生物标志物的整合显示出预测不可切割的NSCLC中ICI反应的巨大潜力.
• 这种方法支持个性化的ICI疗法,通过提供治疗疗效的早期预测.
• 未来的研究应侧重于多学科整合,更大的多中心验证和更大的样本大小,以提高预测准确性和临床翻译.