深度学习模型实时预测早期非小细胞肺癌复发:一种多模式方法 (RADAR CARE研究)
Hyun Ae Jung1, Daehwan Lee2, Boram Park3,4
1Division of Hematology-Oncology, Department of Medicine, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, Republic of Korea.
JCO precision oncology
|July 23, 2025
概括
一个新的深度学习模型使用常规临床数据预测早期非小细胞肺癌 (NSCLC) 的复发. 该RADAR评分提供了及时的风险评估,以指导NSCLC患者的个性化监测和治疗策略.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 目前对早期非小细胞肺癌 (NSCLC) 的监测缺乏基于个体复发风险因素的个性化.
- 纵向监测协议对于及时检测NSCLC幸存者的复发至关重要.
研究的目的:
- 开发和验证一个深度学习模型,以使用全面的临床数据预测早期NSCLC的复发.
- 为纵向监测创建一个实用的工具,包括个性化风险评估.
主要方法:
- 开发了一种利用变压器的多式联机深度学习模型,用于实时复发预测.
- 该模型将基线临床,病理和分子数据与纵向实验室和放射监测数据集成在一起.
- 分析了2008年至2022年期间治疗治疗意图的I-III期NSCLC患者的14177名患者的数据.
主要成果:
- 深度学习模型结合了64个不同的因素,并展示了强大的预测性能.
- 预测一年内复发的曲线下的面积 (AUC) 在所有阶段均为0.854.
- 该模型实现了86.0%的灵敏度和71.3%的特异性,阶段特定的AUC从0.724到0.872.
结论:
- 使用常规临床实践中的多式联络数据的深度学习模型可以有效地预测早期NSCLC的复发.
- 开发的RADAR风险评分为临床医生提供了及时的,可操作的见解.
- 该工具有可能指导风险适应的监测,并优化NSCLC患者的辅助系统治疗决策.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.6K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
199
