适应性2.5D深度学习预测ESCC患者接受新辅助化疗免疫治疗的治疗反应和长期存活率
Xing Gao1, Liping Yang2, Tianyu She3
1Department of Ultrasound, The Second Affiliated Hospital of Harbin Medical University, Harbin, China.
European journal of nuclear medicine and molecular imaging
|September 17, 2025
概括
这项研究引入了一个新的AI框架,结合了息地放射学和深度学习,通过分析瘤异质性来更好地预测食道状细胞癌 (ESCC) 治疗反应. 该方法识别了与治疗耐药性相关的关键瘤亚区域,改进了个性化瘤学策略.
科学领域:
- 放射学和深度学习在瘤学中
- 医学成像分析 医学成像分析
- 在食道癌的精准医学.
背景情况:
- 目前的放射性方法在食道状细胞癌 (ESCC) 中难以捕捉内异质性 (ITH),阻碍了准确预测新辅助化疗免疫疗法 (NACI) 反应.
- 开发先进的分析框架对于改善ESCC治疗结果至关重要.
研究的目的:
- 开发一个可解释的多式模式框架,用于使用voxel-wise息地放射学量化映射内/周围异质.
- 通过2.5D深度学习来建模瘤生物学,并使用SHAP可解释性用于机制驱动的生物标志物来识别与耐药性相关的子区域.
主要方法:
- 一项双中心的回顾性研究,对269名以前没有接受过治疗的ESCC患者进行了使用基线PET/CT扫描的研究.
- 息地放射学用于瘤亚区域划分,随后是多阶段的特征选择管道.
- 一个2.5D深度学习模型 (基于ResNet50) 具有集成PET/CT数据的多实例学习 (MIL),结合集体分类器和交叉形态架构.
主要成果:
- 息地放射学在预测治疗反应方面显著优于传统放射学和临床模型 (验证AUC:0.865).
- SHAP分析确定了侵入性前线 (H2) 作为主导预测因素,特定的波形特征显示了高影响.
- 综合模型展示了最先进的测试性能 (AUC:0.824),优异的校准,有效的生存分层和改进的决策曲线分析效益.
结论:
- 整合息地放射学和2.5D深度学习为ESCC提供了可解释的诊断和预后分层.
- 这种方法通过有效解码空间瘤异质性来推进精密瘤学.
- 该框架有可能改善NACI响应预测,并指导ESCC的个性化治疗策略.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
10:25Author Spotlight: Integrating High-Resolution Intravital Imaging and MRI to Enhance Stereotactic Body Radiation Therapy Planning
Published on: April 12, 2024
2.3K
