综合性息地分析和多实例深度学习用于在NSCLC患者中PD-1/PD-L1免疫疗法疗效的预测模型:双中心回顾性研究
Xiaoxiao Huang1,2, Xiaoxin Huang3, Yurun Xie4
1Medical Imaging Center, Guangxi Medical University Cancer Hospital, Nanning, Guangxi, China.
BMC medical imaging
|July 17, 2025
概括
一个结合放射学,多实例深度学习和患者年龄的新组合模型准确地预测了免疫治疗对晚期非小细胞肺癌 (NSCLC) 的持久临床益处. 这种方法的性能优于PD-L1测试,为治疗选择提供了一个非侵入性的工具.
科学领域:
- 放射学和瘤学 放射学和瘤学
- 人工智能在医学中的应用
- 癌症生物标志物 癌症生物标志物
背景情况:
- 针对PD-1/PD-L1的免疫疗法是晚期NSCLC的主要治疗方法,但患者的反应有所不同.
- 预测持久临床益处 (DCB) 仍然是一个挑战,需要改进预测生物标志物.
研究的目的:
- 开发和验证一个集成的放射学和深度学习模型,用于预测NSCLC的免疫治疗反应.
- 将开发的成像模型的预测性能与PD-L1表达状态进行比较.
主要方法:
- 在接受PD-1/PD-L1免疫治疗的两个中心的590名NSCLC患者的回顾性分析.
- 在三平面瘤序列上使用DenseNet121和多实例学习 (MIL) 开发2.5D深度学习模型.
- 使用K-means集群来进行空间瘤异质性分析的Habitat模型的构建以及结合模型,包括患者年龄.
主要成果:
- 组合模型 (息地,MIL,年龄) 实现了高预测性能,AUC为0.906 (训练),0.889 (验证) 和0.831 (测试).
- 所有成像模型,特别是生态分析,在预测治疗反应方面都超过了PD-L1状态和表达水平.
- 周围的结构特征被确定为治疗疗效的显著预测因素.
结论:
- 开发的非侵入性预测框架为NSCLC的免疫疗法分层提供了临床可行的见解.
- 这种方法可以克服当前生物标志物测试的局限性,并突出了空间瘤异质性的预后价值.
