超预测:使用临床病理学,放射学和有机学数据预测术后非小细胞肺癌的综合方法
Mehdi Amini1, Ghasem Hajianfar1, Yazdan Salimi1
1Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, Geneva, Switzerland.
Clinical nuclear medicine
|September 3, 2025
概括
将临床病理学数据与器官学和瘤放射学结合起来,可以改善非小细胞肺癌 (NSCLC) 复发的预测. 这种MetaPredictomics框架为更准确的预测提供了整体观点.
科学领域:
- 癌症学
- 医学成像
- 人工智能
背景情况:
- 非小细胞肺癌 (NSCLC) 有多种特征,需要个性化治疗.
- 目前的生物标志物对NSCLC的全面了解有限.
- 整合多个数据源,包括成像和临床数据,可以提供全面的疾病视图以改善预测.
研究的目的:
- 开发和验证MetaPredictomics框架,用于预测NSCLC手术后复发.
- 将临床病理学数据与来自主瘤和周围器官的PET/CT放射学数据 ("机体学") 整合起来.
- 与单个数据源相比,评估综合模型的性能.
主要方法:
- 一个深度学习模型从145名NSCLC患者的PET/CT扫描中细分了19个器官.
- 使用PyRadiomics从总瘤体积 (GTV) 和细分器官中提取放射性特征.
- 用临床病理学数据,GTV放射学和有机学来构建一级预测模型,其输出组合在堆叠的集合元模型中.
主要成果:
- 临床病理学和GTV放射学模型表现强 (C指数分别为0. 67和0. 65).
- 全肺和大动脉器官模型也表现良好 (C指数为0.65).
- 超级模型显著优于一级模型,达到0.703和0.731之间的C指数.
结论:
- 来自各个器官的医学成像数据最大化提高了NSCLC复发的预后.
- 多源整合,将临床病理数据与瘤放射学和器官学结合起来,显著改善了复发预测.
- 在NSCLC预测中,MetaPredictomics框架展示了整体方法的价值.
更多相关视频
08:54Pathological Analysis of Lung Metastasis Following Lateral Tail-Vein Injection of Tumor Cells
Published on: May 20, 2020
9.2K
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
193
