整合计算机断层扫描和活检图像来预测胃癌中化疗反应
Shenyan Zhang1, Tao Luo2, Kaikai Wei3
1Department of Pathology, The Sixth Affiliated Hospital, Sun Yat-sen University, Guangzhou, China.
Frontiers in oncology
|November 6, 2025
概括
这项研究开发了一种综合放射性和病态数据的多模式模型,用于预测接受新辅助化疗 (NAC) 的晚期胃癌 (AGC) 患者的病理完整反应 (pCR). 与仅使用放射性或病态特征的模型相比,这种综合方法显著提高了预测准确性.
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
背景情况:
- 晚期胃癌 (AGC) 在治疗选择中构成了重大挑战.
- 预测对新辅助化疗 (NAC) 的病理完整反应 (pCR) 对于定制治疗策略至关重要.
- 当前的预测方法往往缺乏对预处理数据的全面整合.
研究的目的:
- 开发和评估一个多式联网模型,用于预测AGC中的PCR到NAC.
- 整合CT扫描中的放射性特征和活检截面中的病态特征.
- 为了比较单模 (放射性或病态) 与多模模型的预测性能.
主要方法:
- 分析了一组295名接受NAC和手术的AGC患者.
- 治疗前的CT扫描和H&E染色活检段被用于特征提取.
- 建造了三种模型:单模放射性模型,单模病态模型和多模组合模型.
主要成果:
- 单模式放射性模型的AUC为0.672,病态模型的AUC为0.806.
- 多式模式模型结合了12个放射性和10个病态特征,实现了最高的AUC0.814.
- 决策曲线分析证实了多式联运模型的优异预测效率.
结论:
- 整合放射性和病态数据可以提高AGC中NAC反应的预测.
- 多模式分析最大限度地利用治疗前的信息,以改善治疗预测.
- 这种方法为晚期胃癌的个性化治疗提供了一个有希望的策略.
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
09:49Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization
Published on: December 2, 2013
10.7K
