开发和跨机构验证一个全面的机器学习模型,预测对直肠癌新辅助疗法的反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗信息学 医疗信息学

背景情况:

• 在局部晚期直肠癌 (LARC) 的新辅助化学放射治疗 (nCRT) 后,准确预测病理完整反应 (pCR) 对于治疗优化和避免不必要的手术至关重要.
• 当前的预测方法可能无法充分利用多模式数据的潜力.

研究的目的:

• 开发和验证一个全面的多omics模型,用于在手术前预测LARC患者的pCR.
• 评估临床数据,放射学和剂量学在预测治疗反应方面的个人和综合贡献.

主要方法:

• 收集了183名LARC患者的临床数据,CT,MRI-T1WI,MRI-T2WI和放射治疗剂量.
• 开发了非成像,基于放射学 (CT,T1WI,T2WI) 和基于剂量学的模型,使用后向渐进选择,后勤回归和交叉验证.
• 将单个模型集成到最终的综合模型 (F_model) 中,并对多中心数据集进行验证.

主要成果:

• 临床模型 (C_model) 达到0.85.5的AUC.
• 放射学模型显示AUC范围从0.64到0.67.
• 剂量学模型 (D_model) 实现了0.75.5的AUC.
• 最终的多奥米克模型 (F_model) 显示出高性能,平均AUC为0.90 (训练),0.88 (验证),0.77 (内部测试) 和0.74 (外部测试).

结论:

• 临床特征和剂量是评估LARC的nCRT疗效的关键因素.
• 虽然放射学模型 (CT,T1WI,T2WI) 的表现相似,但它们各自具有独特的预测价值.
• 综合的多学科模型为预测PCR提供了强大的方法,有助于个性化治疗策略.