使用基于人工智能的瘤血管生物标志物预测立体身体辐射治疗反应
Jun Hyeong Park1,2, Jun Hyeok Lim3, Seonhwa Kim1
1Department of Radiation Oncology, Ajou University School of Medicine, Suwon, Republic of Korea.
Technology in cancer research & treatment
|February 28, 2026
概括
一个新的AI工具,血管风险评分 (VRS),通过分析瘤血管性,准确地预测非小细胞肺癌 (NSCLC) 治疗反应. 这种成像生物标志物比传统的血管密度测量提供了更好的预后见解.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 非小细胞肺癌 (NSCLC) 瘤血管系统异常导致缺氧,治疗抵抗和预后不佳.
- 放射治疗可以改变瘤血管,但由于血管异质性,结果会有所不同.
- 量化血管异常的非侵入性方法对于预测治疗反应至关重要.
研究的目的:
- 开发和验证基于深度学习的成像生物标志物,船舶风险评分 (VRS).
- 为了从NSCLC患者的对比增强CT扫描中量化瘤血管异常.
- 评估VRS能够预测放射治疗反应和预后的能力.
主要方法:
- 在126名用低分离放射治疗的NSCLC患者的多机构数据上训练了一种深度学习模型.
- 该模型学习了血管形态模式,以量化异质性.
- 在128名接受SBRT治疗的早期NSCLC患者的外部队列中评估了VRS的概括性.
主要成果:
- 在预测SBRT响应方面,VRS显著优于船舶密度.
- 较低的VRS与治疗反应 (0.494vs0.578) 有关.
- 高VRS与较短的无进展生存 (PFS) 相相关,并且是多变量分析中唯一的显著预测因素.
结论:
- 人工智能衍生的VRS是一种非侵入性,可复制的瘤血管异常的测量方法.
- 与血管密度相比,VRS可以更好地预测放射治疗反应和NSCLC的预后.
- 这种人工智能方法有可能用于其他癌症的预后评估,其中血管形态是关键.
