基于CT的增强深度学习放射学和生物相关性,用于预测高级非小细胞肺癌中免疫疗法的疗效

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:

• 在非小细胞肺癌 (NSCLC) 中预测免疫治疗反应对于个性化治疗至关重要.
• 目前的方法缺乏对持久临床益处 (DCB) 的全面预测能力.

研究的目的:

• 开发一个完整的免疫疗法疗效的预测模型在先进的NSCLC.
• 结合临床特征,CT-放射学和深度学习 (DL) 功能,以提高预测.
• 使用放射基因组数据提供预测的生物解释性.

主要方法:

• 对201名晚期NSCLC患者进行了回顾性分析,这些患者接受了免疫治疗.
• 从使用ResNet-34.4的增强型CT扫描和DL特征中提取放射学特征 (RF).
• 开发融合名录模型,整合临床,射频和DL特征,通过LASSO和Shapley的附加解释进行验证.
• 放射基因组分析使用来自癌症成像档案 (TCIA) 的转录基因组数据.

主要成果:

• 聚变名录模型实现了DCB的高预测精度 (AUC 0.843列车,0.894测试).
• 临床预测因素包括初始疗效,大脑转移,PD-L1表达和血红蛋白水平.
• 放射性DL评分显示了与免疫反应和免疫调节途径的关联.

结论:

• 使用临床,放射学和DL特征的综合方法作为预测NSCLC免疫疗法的有效性的一种非侵入性生物标志物.
• 该模型有助于患者选择和临床决策,为个性化NSCLC治疗提供帮助.
• 放射性转录组分析提供了与放射性-DL签名相关的细胞和免疫模式的见解.