研究人員使用AI預測癌癥存活率與治療反應

在對患者掃描進行深度學習以追蹤癌癥的進展之后，一個研究團隊希望“有希望的結(jié)果”可以幫助改善癌癥患者的治療反應和生存預測。

哈佛醫(yī)學院的醫(yī)學生徐一文博士于11月26日在本周早些時候在芝加哥舉行的年度RSNA會議上介紹了研究摘要。

該研究的目的是通過深度學習網(wǎng)絡模型從非小細胞肺癌(NSCLC)患者的時間序列圖像中評估臨床預測。圖像的時間序列來自于在治療后1、3和6個月進行過隨訪掃描的患者。深度學習模型還考慮了錯過的檢查。

肺癌是世界范圍內(nèi)主要的死亡原因之一，并且腫瘤正在進化的生物系統(tǒng)中。因此，我們需要能夠隨時間推移捕獲這些病變的變化，并有可能使用這些方法來提供臨床預測方法。”

在這項研究中，研究人員使用了268位三期NSCLC患者。第一個數(shù)據(jù)集包括接受定性放化療(chemoRT)治療的179例患者和581例自由呼吸的CT掃描。將患者分為訓練組(107例)和調(diào)整組(72例)。深度學習模型用于預測該數(shù)據(jù)集的總體生存，轉(zhuǎn)移，進展和局部復發(fā)(LRR)免費狀態(tài)。

第二個數(shù)據(jù)集用作測試，包括89位接受了chemoRT和手術(shù)治療的患者以及其178例自由呼吸的CT掃描。深度學習模型用于預測該數(shù)據(jù)集的總體存活，轉(zhuǎn)移，進展，無LRR狀態(tài)和病理反應。

當沒有對癌癥患者進行隨訪掃描時，當預測一年和兩年生存率時，該模型在接受者工作特征曲線(AUC)下的面積僅為0.606和0.583。進行一次隨訪掃描時，該模型預測一年和兩年生存期時，AUC為0.676和0.644。

通過兩次隨訪，該模型在預測一年和兩年生存期時獲得了0.763和0.687的AUC。經(jīng)過三次隨訪，該模型在預測一年和兩年生存時達到了AUC 0.817和0.736。

“經(jīng)過3次隨訪，您的第一年總生存期的AUC為0.82，兩年總生存期為0.74，” Xu說。“通過增加每次跟蹤，性能都會得到改善。”

研究人員認為，該結(jié)果可能對適應性和個性化治療具有潛在的臨床意義。

“這項研究證明了使用深度學習在多個時間點組合患者掃描以改善臨床存活率和反應預測的令人鼓舞的結(jié)果，” Xu的演講總結(jié)道。