↑↑↑ 关注选刊说 ↑↑↑
您的SCI选刊助手！
近日，四川大学华西医院呼吸与危重症医学科和中国科学院自动化研究所分子影像院重点实验室合作，将影像组学应用于晚期非小细胞肺癌的免疫治疗疗效评估中，构建了辅助临床决策的深度学习模型。专家指出，利用此模型可在治疗前对患者的预后风险进行准确分级，为制订更加合理的临床治疗方案提供新的依据。相关研究成果发表在生物医学1区杂志《Theranostics》(2019 IF: 8.579)上。
美国国家综合癌症网络（NCCN）最新治疗指南和中国临床肿瘤学会（CSCO）最新指南推荐，使用免疫检查点抑制剂（ICI）进行免疫治疗，是对驱动基因阴性的IV期非小细胞肺癌的首选治疗方式。但经一线免疫治疗后，仍有部分患者肿瘤不退缩或快速进展。因此，提前区分出能长期获益的患者对于治疗方案的选择有重要的临床价值。但目前临床上仍然缺乏有效的免疫治疗疗效预测的方法和手段。该研究团队对939例晚期非小细胞肺癌患者的治疗前CT影像进行深度解析，构建了基于深度学习的PD-L1表达预测模型（AUC：0.78
），并在验证集和测试集中进行了验证测试（AUC分别为0.71和0.76）。进一步分析发现，在94例接受免疫治疗的晚期非小细胞肺癌患者中，基于深度学习的PD-L1表达预测模型能有效区分患者的疾病进展时间。同时，研究人员使用基于深度学习的PD-L1表达标签与临床模型（年龄、性别、吸烟史和肿瘤家族史）相结合构建融合模型，发现融合模型能更好地区分患者接受免疫治疗的预后。
四川大学华西医院李为民教授、中国科学院自动化研究所分子影像院重点实验室董迪研究员和中国科学院大学电子电气与通信工程学院黄志蓓教授为文章的共同通讯作者，课题组成员田攀文、何秉羲和牟玮为文章的并列第一作者。
参考文献：
Panwen Tian, Bingxi He, Wei Mu, Kunqin Liu, Li Liu, Hao Zeng, Yujie
Liu, Lili Jiang, Ping Zhou, Zhipei Huang, Di Dong, Weimin Li. Assessing PD-L1 expression in non-small cell lung cancer and predicting responses to immune checkpoint inhibitors using deep learning on computed tomography images. Theranostics 2021; 11(5):2098-2107.
原文链接：http://www.thno.org/v11p2098.htm
加小编，请备注: 单位+研究方向
本文来源：Theranostics。免责声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本公众号观点或证实其内容的真实性；如其他媒体、网站或个人从本公众号转载使用，须保留本公众号注明的“来源”，并自负版权等法律责任；作者如果不希望被转载，请与我们接洽。
版权属于原作者
请大家点击右下角
，
