整合基于MALDI-MSI的空间蛋白质组学和机器学习,预测头癌中化疗辐射疗法的结果

科学领域:

• 在瘤学瘤学.
• 蛋白质组学是指蛋白质组学.
• 医学诊断 医学诊断 医学诊断

背景情况:

• 头部和部状细胞癌 (HNSCC) 往往呈现于晚期,由于内异质性 (ITH),这给风险分层和治疗反应预测带来了挑战.
• 准确的预后对于在接受化疗或放射治疗的HPV阴性HNSCC患者量身定制治疗策略至关重要.

研究的目的:

• 为了确定与HPV阴性,晚期患者接受基于5-甲/的化疗放射治疗 (CDDP-CRT) 的治疗结果相关的HNSCC组织中的特征.
• 为了评估矩阵辅助激光消耗/电离质谱成像 (MALDI-MSI) 结合机器学习用于预后分析的潜力.

主要方法:

• 来自甲固定,嵌HNSCC瘤部分的三性的MALDI-MSI整合,使用单变量统计和机器学习.
• 开发和测试使用31名HPV阴性HNSCC患者用CDDP-CRT治疗的形状的分类模型,并对使用基于米托菌素C的CRT (MMC-CRT) 治疗的独立队列进行验证.

主要成果:

• 在CDDP-CRT队列中,分类模型在预测复发或进展 (RecPro) 与没有疾病证据 (NED) 中实现了71% (不受限制) 和72% (受特征限制) 的平衡准确率.
• 这些模型证明了基于的治疗的特异性,在MMC-CRT队列中没有显示预后性表现.
• 与不受限制的模型相比,特征受限制的模型具有更高的特异性 (92%),但敏感性较低 (52%).

结论:

• 基于MALDI-MSI的蛋白质组分析可以确定CDDP-CRT后复发风险较高的患者.
• 这种蛋白质学方法显示了个性化风险评估和HPV阴性HNSCC治疗规划的潜力.
• 研究结果表明,特征是基于的化学放射治疗方案的特征.