文章标题：Deep Learning Based on Computed Tomography Predicts Response to Chemoimmunotherapy in Lung Squamous Cell Carcinoma
中文标题：基于计算机断层扫描的深度学习预测肺鳞状细胞癌对化学免疫治疗的反应
发表期刊：Aging Dis
发表时间：20240517
影响因子：7.0/Q1
研究背景
尽管医学治疗手段在这几十年不断发展，但对于早期和局部晚期非小细胞肺癌（NSCLC）的患者来说，其预后并不理想。相关学者发现铂基化疗与免疫治疗协同应用作为一种新辅助化疗免疫治疗（NCI）显示了令人印象深刻的主要病理反应（MPR）率，前景广阔，但目前基于计算机断层扫描（CT）成像的DL模型用于预测肺鳞状细胞癌（LUSC）的MPR的研究较少，这使其潜在的实用性受到质疑。本研究旨在设计一种深度学习 （DL） 模型来估计肺鳞状细胞癌 （LUSC） 患者对 NCI 的 MPR 并揭示其生物学机制。
研究方法
招募来自不同医疗机构的 309 名 LUSC 患者队列整合TCGA数据库获取LUSC患者基因表达谱。开发了一个在对比增强计算机断层扫描图像上训练的 ResNet50 模型，并验证了预测 MPR 的验证。检查体细胞突变、基因组数据、肿瘤浸润免疫细胞和肿瘤内微生物。最后整合了UCSD数据库进行微生物与P-MPR的关联分析。
研究结果
1.受试者特征信息
从三个不同的医疗中心获取接受NCI的患者信息，并将其随机分配到发现集（n=200）、验证集1（n=60）和验证集2（n=49）。此外31例LUSC患者的DNA和RNA测序数据来自癌症基因组图谱（TCGA）数据库。
2.深度学习模型和激活映射预测分析
P-MPR患者主要表现为CR或PR和MPR状态。1例患者预测评分较高（P-MPR: 0.842），经2周期NCI根治性手术后获得MPR。多因素logistic回归分析显示放射图像是独立的预测因素。
3.DL模型与体细胞突变及基因组学分析
对31例LUSC患者的CT图像使用了相同的DL算法，并根据上述0.48作为截断值分为P-MPR组和PNo-MPR组。接着利用DNA序列数据探讨了体细胞突变与P-MPR的关系。
4.肿瘤内微生物与P-MPR相关性分析
7种微生物丰富具有显著差异，其相关性如图所示。接着利用LASSO法进一步筛选出相关性最强，结果显示利用癌症微生物组进行MPR预测的Logistic模型分析，AUC值较高为0.93，敏感性和特异性分别为85.00%和81.82%。
文章小结
文章的DL 模型在预测接受 NCI 的 LUSC 患者的 MPR 方面非常有效，显着促进了我们对所涉及的生物学机制的理解。深度学习ResNet 50算法和火爆的CE-CT图像，为LUSC患者设计更有针对性的NCI方法提供了理论依据。（对这种思路感兴趣的老师，欢迎联系小编！）
