使用多式机器学习预测非小细胞肺癌的向治疗耐药性

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 基因组学就是基因组学.

背景情况:

• 对氨酸激酶抑制剂 (TKI) 的耐药性是治疗用激活表皮生长因子受体 (EGFR) 突变的非小细胞肺癌 (NSCLC) 的重大临床挑战.
• 对于TKI耐药性的现有预测工具通常依赖于专业数据,缺乏与常规可用的临床信息的整合.
• 使用可访问的临床数据开发预测模型对于优化EGFR突变NSCLC的治疗策略至关重要.

研究的目的:

• 开发和评估一种多式机器学习 (ML) 模型,用于预测EGFR突变的NSCLC患者的治疗耐药性.
• 利用易于获取的临床信息,包括组织学图像和下一代测序 (NGS) 数据,用于抗性预测.
• 评估模型的性能和可解释性,以便在个性化瘤学中潜在的临床应用.

主要方法:

• 一项多机构的回顾性研究,涉及42名EGFR突变晚期NSCLC患者,接受EGFR向治疗.
• 将组织学全幻灯片图像,NGS结果和人口统计/临床变量数据集成到多式机器学习框架中.
• 模型评估使用5倍嵌套交叉验证,一致性指数 (C指数),卡普兰-梅尔生存分析和可解释性技术 (注意力图,特征重要性).

主要成果:

• 多式联机模型实现了0.82的平均C指数,优于仅图像 (C指数=0.75) 和非图像 (C指数=0.77) 模型.
• 该模型将患者显著分为不同的危险组 (log-rank P=0.04),显示出优越的预测能力.
• 发现的关键预测因素包括RB1突变和西班牙裔种族;注意力图强调了与耐药性相关的特定组织学特征.

结论:

• 一个强大的多模式ML模型可以有效地利用例行收集的临床数据预测EGFR突变NSCLC的治疗耐药性.
• 该模型的卓越性能和危险分层能力表明它对于精密瘤学的个性化治疗决策具有实用性.
• 多模式人工智能对推进癌症治疗具有前途,特别是在资源有限的环境中,这需要在多样化的队列中进一步验证.