相关实验视频
Updated: Jul 15, 2026

08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.4K
根据三级淋巴体结构和多实例学习,预测新辅助免疫治疗在肺癌中的有效性
概括
一个新的模型,GLAM,使用组织图像的详细免疫细胞特征来预测肺癌免疫疗法的成功. 这种方法有助于个性化治疗规划,通过预测短期和长期患者的结果.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 计算病理学计算病理学
背景情况:
- 新辅助免疫疗法是肺癌的关键治疗方法,但由于免疫微环境的复杂性,预测患者的反应仍然具有挑战性.
- 目前的方法缺乏准确预测肺癌患者新辅助免疫疗法的个性化疗效的能力.
研究的目的:
- 开发一种新的多实例学习模型 (GLAM),用于预测肺癌中新辅助免疫治疗的个性化短期和长期疗效.
- 整合H&E染色全幻灯片图像 (WSI) 的细粒度三级淋巴体结构 (TLS) 特性和全球免疫微环境特性,以提高预测能力.
主要方法:
- 一种半监督学习方法被用来训练一个用于预测TLS成熟度的网络,这是一个预后指标.
- 构建了一个具有自我注意的多实例学习模型,将TLS和全球免疫特征通过交叉注意力结合起来,以预测临床终点.
- 这项研究分析了194名接受新辅助免疫治疗的肺癌患者,使用手术后的WSI.
主要成果:
- GLAM模型在短期和长期疗效终点上都表现出强大的预测性能.
- 对于短期疗效,主要病理反应的AUC为0.951,病理完全反应的AUC为0.864.
- 对于长期疗效,AUC为0.911的2.5年复发状态和C指数为0.805的预测复发时间.
结论:
- GLAM模型提供了一种新的计算方法,用于预测肺癌中新辅助免疫治疗的个性化疗效.
- 这种方法可以显著帮助个性化治疗计划的肺癌患者接受新辅助免疫疗法,改善临床决策.
更多相关视频
07:16Three-Dimensional Imaging of Tumor-Bearing Tissue Using the Iterative Bleaching Extends Multiplexity Approach
Published on: April 25, 2025
724
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
472