一种深度学习模型可能有助于预测肺癌生存率和预后
CC BY-SA 4.0 James Heilman, MD/Wikipedia" width="500" height="530">
使用非小细胞肺癌(NSCLC)患者的肿瘤序列图像扫描开发的深度学习模型比标准临床参数更能预测治疗反应和生存结局。
这项研究发表在临床癌症研究由Hugo Aerts博士，丹娜-法伯癌症研究所和布里格姆妇女医院计算和生物信息学实验室主任，哈佛大学副教授所撰写。
Aerts说:“我们的研究表明，深度学习模型集成了多个时间点的常规成像扫描，可以改善肺癌的生存预测和癌症特异性结果。”“相比之下，一个标准的临床模型依赖于分期、性别、年龄、肿瘤分级、表现、吸烟状况和肿瘤大小，不能可靠地预测2年生存率或治疗反应．"
肺癌是世界上最常见的癌症，也是癌症死亡的主要原因。非小细胞肺癌约占所有肺癌的85%。对这些患者的诊断和治疗反应的标准评估很大程度上依赖于对最大肿瘤直径的测量，这很容易受到观察者之间和随着时间推移的解释差异的影响。
研究是如何进行的:为了看看随着癌症的发展，他们是否可以提取更多的预测见解，Aerts和同事建立了深度学习模型。他们从ImageNet，一个神经网络该模型由普林斯顿大学和斯坦福大学的研究人员创建，从最相关的特征中识别出广泛的普通物体，并使用179名接受放化疗的3期非小细胞肺癌患者的串行CT扫描来训练他们的模型。其中包括每个患者在治疗前常规获得的4张图像，以及治疗后1个月、3个月和6个月共计581张图像。
研究人员分析了该模型的能力癌症结果预测使用两个数据集:581张图像的训练数据集和来自89名非糖尿病患者的178张图像的独立验证数据集小细胞肺癌他们接受过放化疗和手术治疗。
随着每次后续扫描的增加，模型的性能有所提高。曲线下面积(一种衡量模型准确性的方法)仅基于预处理扫描预测2年生存率为0.58，在添加所有可用的随访扫描后显著提高到0.74。被模型分类为死亡风险低的患者的总生存率比那些被分类为高风险的患者提高了6倍。
与采用分期、性别、年龄、肿瘤分级、表现、吸烟状况、临床肿瘤大小等参数的临床模型相比，深度学习模型在预测远处转移、进展和局部复发方面更有效。
“放射学扫描是常规从肺癌它们已经是数字化的数据表格，这使它们成为人工智能应用的理想选择，”Aerts说。“随着时间的推移，定量跟踪病变变化的深度学习模型可以帮助临床医生为个别患者量身定制治疗计划，并帮助将患者划分到不同的临床试验风险组。”
Aerts说，这种原理证明研究的主要局限性在于，它需要更多的数据来扩展，并在未来的临床试验中进行评估。
