相关实验视频
Updated: Sep 16, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.1K
利用免疫瘤学注册数据,改善非小细胞肺癌治疗预测
Yili Zhang1, Shaked Lev-Ari2, Jacob Zaemes3
1Innovation Center for Biomedical Informatics, Georgetown University, Washington, DC, 20007, United States.
JAMIA open
|July 10, 2025
概括
这项研究使用综合性临床数据预测了非小细胞肺癌 (NSCLC) 患者的免疫治疗反应. 机器学习模型,特别是KNN,表现优于PD-L1,突出了综合生物标志物的治疗预测价值.
科学领域:
- 在瘤学瘤学.
- 免疫治疗是一种免疫疗法.
- 机器学习在医学中的应用
- 生物标志物发现发现
背景情况:
- 在非小细胞肺癌 (NSCLC) 中预测免疫检查点抑制剂 (ICI) 治疗反应仍然具有挑战性.
- 目前的生物标志物如PD-L1在准确预测治疗疗效方面存在局限性.
- 利用全面的临床和基因组数据可以提高预测的准确性.
研究的目的:
- 开发和评估用于预测NSCLC患者ICI治疗反应的机器学习模型.
- 确定影响治疗结果的关键临床和分子特征.
- 将机器学习模型的预测性能与PD-L1生物标志物进行比较.
主要方法:
- 分析了213名接受ICI治疗的NSCLC患者队列.
- 根据治疗结果,患者被分为响应者或不响应者.
- 使用表型和基因组数据开发了9个机器学习模型;使用Shapley附加解释值解释了表现最好的模型.
主要成果:
- 该KNN模型实现了0.862的AUROC,显著超过PD-L1 (AUROC 0.619).
- 关键的预测特征包括ECOG性能状态,红细胞分布宽度和平均血小板体积.
- 72名患者对治疗有反应,而141名患者没有反应.
结论:
- 整合多种临床数据的机器学习模型,与单独的PD-L1相比,在NSCLC中更好地预测ICI反应.
- 功能状态和炎症标志物是免疫疗法疗效的重要预测因素.
- 这种方法通过提供更细致的治疗有效性的评估来增强精准医学.
