机器学习揭示了受体放射性核素治疗资格在神经内分泌瘤的新型预测器

科学领域:

• 核医学是一种核医学.
• 在瘤学瘤学.
• 放射性药理学 是一种放射性药理学.

背景情况:

• 神经内分泌瘤 (NENs) 是各种恶性瘤,其中体静止素受体 (SSTR) 表达是治疗选择的关键.
• 评估SSTR表达对于诊断NEN和指导治疗,包括放射性体治疗至关重要.
• 目前用于评估转移性NEN中SSTR表达的方法需要进一步改进,以获得准确的患者分层.

研究的目的:

• 评估[99mTc]Tc-EDDA/HYNIC-TOC SPECT/CT在区分NEN组织学中的有效性.
• 根据SSTR表达来确定适合放射性干治疗的候选人.
• 在转移性NEN中探索SSTR表达和非成像参数之间的相关性.

主要方法:

• 对65名转移性NENs患者的回顾性分析.
• 对体静止素受体的视觉和半定量评估SPECT/CT结果.
• 生物统计分析包括组织学,瘤学,免疫组织化学和实验室数据.

主要成果:

• [99mTc]Tc-EDDA/HYNIC-TOC SPECT/CT使用基于临床参数的数学模型准确估计了SSTR表达 (70-83%).
• 瘤起源,先前的治疗和CK7是SSTR表达的关键预测因素.
• 在患者年龄,瘤等级,疾病程度和瘤标志物 (CEA,CA19-9,AFP) 之间观察到显著的关联.

结论:

• [99mTc]Tc-EDDA/HYNIC-TOC SPECT/CT对于评估NENs中的SSTR表达是有效的.
• 特定的免疫组织化学和实验室标志物提供了超越已确定的因素的预后价值.
• 这些发现支持为NEN患者开发个性化治疗策略.