研究人员使用AI预测癌症存活率与治疗反应

在对患者扫描进行深度学习以追踪癌症的进展之后，一个研究团队希望“有希望的结果”可以帮助改善癌症患者的治疗反应和生存预测。

哈佛医学院的医学生徐一文博士于11月26日在本周早些时候在芝加哥举行的年度RSNA会议上介绍了研究摘要。

该研究的目的是通过深度学习网络模型从非小细胞肺癌(NSCLC)患者的时间序列图像中评估临床预测。图像的时间序列来自于在治疗后1、3和6个月进行过随访扫描的患者。深度学习模型还考虑了错过的检查。

肺癌是世界范围内主要的死亡原因之一，并且肿瘤正在进化的生物系统中。因此，我们需要能够随时间推移捕获这些病变的变化，并有可能使用这些方法来提供临床预测方法。”

在这项研究中，研究人员使用了268位三期NSCLC患者。第一个数据集包括接受定性放化疗(chemoRT)治疗的179例患者和581例自由呼吸的CT扫描。将患者分为训练组(107例)和调整组(72例)。深度学习模型用于预测该数据集的总体生存，转移，进展和局部复发(LRR)免费状态。

第二个数据集用作测试，包括89位接受了chemoRT和手术治疗的患者以及其178例自由呼吸的CT扫描。深度学习模型用于预测该数据集的总体存活，转移，进展，无LRR状态和病理反应。

当没有对癌症患者进行随访扫描时，当预测一年和两年生存率时，该模型在接受者工作特征曲线(AUC)下的面积仅为0.606和0.583。进行一次随访扫描时，该模型预测一年和两年生存期时，AUC为0.676和0.644。

通过两次随访，该模型在预测一年和两年生存期时获得了0.763和0.687的AUC。经过三次随访，该模型在预测一年和两年生存时达到了AUC 0.817和0.736。

“经过3次随访，您的第一年总生存期的AUC为0.82，两年总生存期为0.74，” Xu说。“通过增加每次跟踪，性能都会得到改善。”

研究人员认为，该结果可能对适应性和个性化治疗具有潜在的临床意义。

“这项研究证明了使用深度学习在多个时间点组合患者扫描以改善临床存活率和反应预测的令人鼓舞的结果，” Xu的演讲总结道。