通过无监督机器学习驱动的CT Radiomic亚型对NSCLC免疫疗法疗效和瘤微环境进行非侵入性预测:一个多队列研究

科学领域:

• 放射学和瘤学 放射学和瘤学
• 医学成像分析 医学成像分析
• 计算病理学计算病理学

背景情况:

• 放射学提取定量成像特征以了解瘤异质性.
• 这有助于诊断,预后和预测治疗反应.
• 非小细胞肺癌 (NSCLC) 研究受益于这些见解.

研究的目的:

• 探索放射性生物标志物,用于预测NSCLC的免疫治疗反应.
• 研究放射性特征与瘤免疫微环境之间的关联.
• 在CT成像数据上利用无监督的机器学习.

主要方法:

• 包括来自七个队伍的1539名NSCLC患者.
• 应用K-意味着从869名患者中对1834个放射性特征进行聚类,以定义亚型.
• 使用随机森林模型进行外部验证和RNA测序 (批量和单细胞) 来分析免疫微环境.

主要成果:

• 确定了两个放射性亚型 (集群1和集群2),具有显著的区别.
• 2组患者的整体存活时间 (35个月与30个月相比) 和无进展生存时间 (19个月与16个月相比) 更长.
• 放射性亚型独立预测整体存活率; 集群2显示较高的免疫评分和T,B,NK细胞透.

结论:

• 建立了与NSCLC免疫疗法疗效和免疫微环境相关的放射性亚型.
• 这为个性化治疗策略提供了一个非侵入性的工具.
• 能够早期识别可能对免疫疗法有反应的患者.