放射学,病理学和深度学习预测器对免疫检查点阻塞的反应在细胞癌患者接受治疗后腎切除术的患者
Payal Kapur1,2,3, Alana Christie3, Vipul Jarmale4
1Department of Pathology, University of Texas Southwestern Medical Center, Dallas, TX, 75390.
medRxiv : the preprint server for health sciences
|December 3, 2025
概括
在手术前评估癌对免疫治疗的反应,可以指导治疗. 病理回归,通过深度学习量化,预测更好的结果,不同于预后不佳的凝固性亡.
科学领域:
- 在瘤学瘤学.
- 免疫治疗是一种免疫疗法.
- 放射学 放射学是一门学科.
- 病理学 病理学 病理学
- 机器学习 机器学习
背景情况:
- 在细胞减退和新辅助环境中评估对初级瘤治疗的反应对于适应性术后策略至关重要.
- 目前缺乏综合放射学,病理学和机器学习进行反应评估的系统分析.
研究的目的:
- 开发和验证一个定量框架,用于评估细胞癌 (RCC) 的免疫治疗后反应,使用放射学,病理学和深度学习.
- 为了将放射和病理反应与接受新辅助或细胞减弱免疫治疗的患者在腎切除术前的临床结果相关联.
主要方法:
- 在切除术之前,对99名先进的RCC患者进行了回顾性分析,这些患者接受了含ICI的双重治疗.
- 放射和病理特征的中央审查,与下一次全身疗法 (FFNT) 和无转移生存率 (MFS) 的自由相关.
- 开发深度学习 (DL) 模型,客观评估病理回归并量化免疫透.
主要成果:
- 放射性瘤缩 (≥30%) 和ICI诱导的病态回归程度 (通过中央审查和DL评估) 与长时间的FFNT显著相关.
- 深度学习模型客观验证了病理学家评估的回归和定量免疫透,显示了与结果的显著关联.
- 多变量分析确定了病理回归,DL衍生的免疫透物和瘤最大尺寸作为FFNT的独立预测因素.
结论:
- 这项研究提供了一个综合的定量框架,用于评估RCC在ICI后的反应,区分免疫介导的回归与凝固性瘤.
- 研究结果表明,放射学和病理学在免疫治疗后评估瘤切除术后的标本中起着互补的作用.
- 未来的验证可以指导适应性治疗策略和临床试验设计,用于癌和其他恶性瘤的免疫治疗.
