在HCC中,自动分类治疗对联合向治疗和免疫治疗的治疗反应

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 晚期肝细胞癌 (HCC) 用氨酸激酶抑制剂 (TKIs) 和免疫疗法治疗仅对一小部分患者有益.
• 晚期HCC患者通常无法获得瘤组织,这限制了传统的分析.
• 预测治疗反应对于优化个性化治疗策略至关重要.

研究的目的:

• 开发和验证一种多式联络深度学习模型,用于预测晚期HCC中瘤对TKI免疫疗法的反应.
• 将多式模式模型的性能与单式模式的临床和成像模型进行比较.
• 通过单细胞测序来探索治疗反应的生物基础.

主要方法:

• 一个两阶段的3D U-Net框架被用于自动肝脏瘤细分.
• 构建了一个多式卷积神经网络 (CNN) - 变压器模型,集成治疗前的临床和磁共振成像 (MRI) 数据.
• 模型在181名患者的队列上进行了训练,并在30名患者的独立队列上进行了验证.

主要成果:

• 多模式CNN-变压器模型在验证队列中实现了0.785的曲线下的面积 (AUC).
• 多模模式显著超过单模临床 (AUC=0.720) 和基于CNN的成像模型 (AUC=0.695).
• 单细胞测序揭示了与治疗反应相关的瘤生态系统多样性,支持了该模型的预测.

结论:

• 开发的多式联络人工智能模型有效地整合了各种患者数据,以便更好地预测HCC对TKI免疫疗法的反应.
• 这种方法提供了一种可靠的,非侵入性的工具,用于优化高级HCC的个性化治疗策略.
• 通过先进的测序技术进行进一步的生物验证,支持预测模型的临床实用性.