基于双能量CT衍生图的深度学习分析,用于预测胃癌中PD-L1表达:一项多中心研究
Lihong Chen1, Yuncong Zhao2, Xiaomin Tian3
1Department of Radiology, Fujian Medical University Union Hospital, Fuzhou 350001, China (L.C., Y.C., Y.X.); The School of Medical Imaging, Fujian Medical University, Fuzhou 350100, China (L.C., Y.Z., S.L., K.C., Y.X.); Fujian Key Laboratory of Intelligent Imaging and Precision Radiotherapy for Tumors (Fujian Medical University), Fuzhou 350001, China (L.C., Y.X.).
这项研究表明,使用双能量CT图的深度学习模型可以准确地预测PD-L1表达在胃癌 (GC) 中的非侵入性. 该工具有助于指导GC患者的免疫治疗决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 编程死亡连接体1 (PD-L1) 表达是预测胃癌 (GC) 免疫治疗反应的关键生物标志物.
- 准确预测PD-L1表达对于优化GC治疗策略至关重要.
- 目前评估PD-L1表达的方法可能是侵入性的或耗时的.
研究的目的:
- 评估深度学习 (DL) 模型的有效性,该模型使用双能CT (DECT) 衍生的图来非侵入性地预测GC中的PD-L1表达水平.
- 将DL模型的性能与传统的临床模型和联合DL-临床模型进行比较.
主要方法:
- 一项多中心前性研究招募了267名接受DECT和胃切除术的GC患者.
- 一个50层的残余网络被用来从图中提取DL特征.
- 一个DL特征签名模型 (DFSigM) 已被开发和内部和外部验证,以及临床和融合模型.
主要成果:
- DFSigM表现出强大的预测性能,AUC为0.854 (训练),0.836 (内部验证) 和0.818 (外部验证).
- DFSigM超越了临床模型,并显示了与DL临床融合模型相似的结果.
- 使用SHAP和Grad-CAM实现了模型解释性,可视化了决策过程.
结论:
- 对DECT衍生图的深度学习分析为GC中非侵入性PD-L1表达预测提供了有价值,可靠和可解释的方法.
- 这种方法有可能改善患者选择免疫疗法,并指导GC管理中的临床决策.
更多相关视频
07:43Using 22C3 Anti-PD-L1 Antibody Concentrate on Biopsy and Cytology Samples from Non-small Cell Lung Cancer Patients
Published on: September 25, 2018
10:29Semi-automatic PD-L1 Characterization and Enumeration of Circulating Tumor Cells from Non-small Cell Lung Cancer Patients by Immunofluorescence
Published on: August 14, 2019
