基于深度学习的身体组成分析,用于预测复发性/阻断性扩散性大B细胞淋巴瘤的结果:LOTIS-2试验的见解
Russ A Kuker1, Juan P Alderuccio2, Sunwoo Han3
1Division of Nuclear Medicine, Department of Radiology, Sylvester Comprehensive Cancer Center, University of Miami School of Medicine, Miami, FL.
JCO clinical cancer informatics
|July 16, 2025
概括
身体组成,特别是骨肌与内脏脂肪的比率,可以预测复发或耐药的扩散性大B细胞淋巴瘤 (DLBCL) 患者的治疗反应. 深度学习方法为这种分析提供了具有成本效益的替代方案.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 复发性或耐火性扩散性大B细胞淋巴瘤 (DLBCL) 是一个重大的临床挑战.
- 隆卡斯图西马布特西林是rel/refDLBCL的新兴治疗选择.
- 预测生物标志物对于优化患者选择和治疗策略至关重要.
研究的目的:
- 评估身体组成作为一个独立的图像衍生生物标志物,用于预测rel/ref DLBCL患者的临床结果,这些患者接受了loncastuximab tesirine.
- 评估骨肌肉 (SM),皮下脂肪 (SF) 和内脏脂肪 (VF) 指数的实用性,这些指数来自CT扫描.
- 为了比较手动和基于深度学习的身体组成分析方法.
主要方法:
- 在LOTIS-2试验中对140名rel/ref DLBCL患者的基线CT扫描进行分析.
- 使用手动和深度学习技术在L3层面对SM,SF和VF进行细分.
- 身体组成比率指数的推导 (SM*/VF*,SF*/VF*,SM*/(VF*+SF*)). 它们是:
- 后勤和考克斯回归分析以评估与治疗反应和生存结果 (PFS,OS) 的关联.
主要成果:
- 单体化手动和自动化SM*/VF*指数显著预测了无法实现完整的代谢反应.
- 双分化的手动SM*/VF*指数与无进展生存 (PFS) 有显著的关联,但与整体生存 (OS) 没有关联.
- 在手动和自动细分方法之间观察到很高的一致性.
结论:
- 治疗前的SM*/VF*指数显示,它有可能成为接受loncastuximab tesirine的rel/refDLBCL患者的预测生物标志物.
- 基于深度学习的身体组成分析是手动细分的可行,经济高效的替代方案.
- 图像衍生的身体组成分析可以提高DLBCL的临床结果预测.
