基于机器学习的DCE-MRI放射学集成用于STAT3表达预测和乳腺癌生存分层
Dong Pan1,2,3, Cheng-Yan Zhang4,5,6, Ya-Fei Wang5,6
1Tianjin NanKai Hospital, Tianjin Medical University, Tianjin, China.
Frontiers in immunology
|July 10, 2025
概括
低信号转换器和转录3 (STAT3) 激活器在乳腺癌中的表达与较差的存活率和T细胞枯竭相关. 使用DCE-MRI的新型放射学模型可以非侵入性地预测STAT3水平并改善风险分层.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 免疫学 免疫学 免疫学
背景情况:
- 信号转换器和转录3激活器 (STAT3) 在乳腺癌进展和免疫逃避中发挥作用.
- 了解瘤免疫微环境对于预测乳腺癌的结果至关重要.
- 动态对比增强磁共振成像 (DCE-MRI) 提供了非侵入性瘤特征的潜力.
研究的目的:
- 研究STAT3表达,瘤免疫微环境和乳腺癌的整体存活率 (OS) 之间的联系.
- 使用DCE-MRI开发一种非侵入性放射学模型,用于早期风险分层.
- 为了将放射性特征与STAT3表达和免疫特征相关联.
主要方法:
- 用生存分析和考克斯回归来分析STAT3表达和OS的癌症基因组图谱 (TCGA) 数据 (1,008名患者) 的分析.
- 功能丰富和免疫细胞透分析以表征瘤免疫微环境.
- 使用DCE-MRI数据 (101名患者) 和机器学习算法开发STAT3预测放射学模型,并通过ROC分析验证.
主要成果:
- 较低的STAT3表达与较差的OS (HR=1.927,p<0.001) 和T细胞疲劳显著相关.
- 高STAT3表达与增强的上皮细胞亡和免疫抑制的微环境有关.
- 放射学模型在预测STAT3表达时实现了0.861 (开发) 和0.742 (验证) 的AUC.
- 放射学分数与STAT3表达,更长的OS和增强的免疫反应标志有正相关.
结论:
- 基于DCE-MRI的放射学提供了一种非侵入性方法,用于预测乳腺癌中STAT3的表达.
- 这种方法有助于描述瘤的免疫微环境,并提供预后见解.
- 开发的放射学模型支持早期风险分层和针对乳腺癌患者的个性化治疗开发.
