在预测NSCLC新辅助免疫化学疗法的主要病理反应时,用于整合性奥米克和时间动态的注意引导框架

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 局部晚期非小细胞肺癌 (NSCLC) 需要有效预测个性化治疗的治疗反应.
• 新辅助免疫化学疗法是关键的治疗方式,但预测主要病理反应 (MPR) 仍然具有挑战性.

研究的目的:

• 开发和验证一个集成放射学,病理学和时间成像的多组学模型,用于预测NSCLC患者的MPR.
• 评估模型的性能与单个组件及其临床实用性的对比.

主要方法:

• 一项回顾性多中心研究包括271名患有IB-III期NSCLC的患者,这些患者接受了新辅助免疫化学疗法.
• 一个基于变压器的注意力机制集成了增强的放射学,病理学和时间成像数据.
• 该模型经过训练,验证并对外部队列进行了测试,使用AUC和生存分析评估性能.

主要成果:

• 综合多组学模型 (Trans-Model) 在外部测试队列中实现了0.858的AUC,单独超过了放射学 (0.839) 和病理学 (0.753).
• 跨模型有效地按生存率对患者进行分层,显示MPR阳性患者的3年总生存率和5年无进展生存率有所改善.
• 决策曲线分析证实了该模型在预测治疗反应方面的临床实用性.

结论:

• 开发的多组学模型显著改善了接受新辅助免疫化学疗法的NSCLC患者的MPR预测.
• 将多时间,多序列数据与基于注意力的融合集成,可以提高预测准确度.
• 该模型通过识别潜在的响应者并优化患者的治疗结果,促进了个性化的治疗策略.