哈喽大家好，生信湾来啦！不知道大家近期有没有关注到AI技术在临床医疗领域的发展呐？如深度学习等AI技术近期在医疗领域发展迅速，出现很多高分神作！如题所述，40分+的文章可能包括生信湾在内的很多小伙伴都未曾实现该目标。但是顶刊毕竟是顶刊，小伙伴们也要学会“开眼看世界”，学习它们的创新点和实验思路分析，将其吸收并灵活转化成自己的内容才是其最终目标！
同时生信湾也深刻的认为一篇高分的文章，除了技术手段过硬之外，实验设计及选题也格外重要。这不，北京大学肿瘤医院沈琳教授团队给出了完美示例，利用深度学习技术结合多模态数据分析在预测HER2阳性胃癌（GC）患者对抗HER2治疗反应方面的准确性和实用性，成功拿下40分顶刊！说到沈琳教授，生信湾可是太佩服啦，必须重点介绍一下！
沈琳，主任医师、教授、博士生导师。历任北京大学肿瘤医院副院长。现任消化肿瘤内科主任、I期临床试验病区主任。获全国优秀科技工作者等荣誉称号。此外还获国家科技进步二等奖等多项奖项。沈琳教授长期从事消化道肿瘤精准治疗，抗肿瘤新药临床与转化研究。
除了团队的咖位，该篇研究更是亮点多到溢出屏幕，临床宝子快学起来~
1. 该研究模型采用全面的多模式数据集，通过整合了不同的临床数据源，包括放射学CT、病理图像和临床报告等，实现了个性化治疗策略方面取得了重大进展！（临床数据有吧？此外大部分模型源代码都公开状态，只要借助深度学习这波热潮，换种疾病，虽然不能一举拿下超级顶刊，但是10分SCI还是有希望滴~）
2. 该研究模型的灵活性使其成为跨学科合作的理想平台，促进生物信息学家、临床医生和数据科学家之间的知识融合。可通过对特定队列进行有针对性的再训练，可以迅速适应不同的癌症，为未来的肿瘤学研究提供了方向。
PS：由此证明，深度学习技术结合临床数据潜力无限啊！随着深度学习及临床数据资源的完善，其研究结果对临床实践将更具指导意义，这也将进一步掀起一波研究热潮！宝子们也要抓紧选好研究方向，早来享受红利！如果技术和思路有困难的话，可以随时滴滴生信湾噢~
定制生信分析
云服务器租赁
(加微信备注66领取试用)
题目：基于多模态数据预测胃癌对抗HER2疗法或抗HER2联合免疫疗法的反应
杂志：Signal Transduct Target Ther
影响因子：IF =40.8
发表时间：2024年8月26日
研究背景
胃癌（GC）是中国第二大最常见的癌症，单一模式数据的分析研究已无法满足捕捉患者之间复杂的异质性研究。因此本研究旨在研究深度学习模型，并使用多模式数据准确预测GC患者联合免疫治疗的治疗反应。
研究思路及数据来源
本研究收集了来自429名患者包括放射学、病理学和临床信息等在内的多模式数据：310名接受抗HER2治疗，119名接受抗HER2和抗PD-1/PD-L1抑制剂免疫治疗。随后引入了一种称为多模态模型（MuMo）的深度学习模型，该模型集成了这些数据以做出精确的治疗反应预测。
图1. 多模态模型（MuMo）的工作流程，用于预测对抗HER2 GC患者的治疗反应
研究结果
1. HER2阳性GC研究的多模态数据集和队列特征
本研究积累的多模式数据集提供了丰富而全面的患者数据，这包括人口统计学细节（即年龄和性别）、肿瘤特征（即肿瘤位置、分化程度和Lauren分类）和治疗细节（即接受的治疗线和开始治疗前经过的时间）。此外每个患者病理报告包括肿瘤比例、肿瘤浸润淋巴细胞（TIL）和肿瘤内HER2表达变异性的数据
图2. 联合免疫治疗队列的数据集和队列特征
2. MuMo的预测性能
MuMo在预测抗HER2队列的治疗反应方面显示出预期疗效，曲线下面积（AUC）评分为0.821，表明在预测治疗反应方面效率很高。为了评估MuMo的泛化性，将其应用于作为独立测试集的外部队列。MuMo在反应者区分方面具有较强能力，AUC评分为0.884！这也表明MuMo在多中心数据案例中的有效性。
随后使用Youden指数，并将其分为高、低危组。结果显示，低风险组中具有显著更长的无进展生存期（PFS）和OS增加比高危人群。值得注意的是在独立测试集中，观察到两组之间的中位OS存在显著差异。
图3. 多模态模型（MuMo）的性能
3. MuMo在预测抗HER2联合免疫治疗队列反应方面的适应性
为了进一步评估MuMo在不同治疗队列中的适应性，分析了其预测疗效。结果表明，MuMo性能卓越，AUC为0.914，表明响应预测的准确性很高。凸显了MuMo在适应相对较新的治疗方案方面的关键作用，其中临床医生的经验和历史数据可能有限，这表明它们在新兴治疗场景中具有广泛应用的潜力。
图4. MuMo的疗效预测性能与六位临床医生及其会诊结果的比较
4. MuMo在治疗反应预测方面的一贯稳定性
为了确定MuMo在预测治疗反应方面的可靠性和一致性，使用2000个自举重复进行了一项验证性实验。结果表明，MuMo表现出较小的性能变异性，这是其在预测治疗反应方面始终如一的稳定性和可靠性的关键指标。这些结果凸显了MuMo 在治疗反应场景中提供可靠和稳定预测的能力。
图5. 用于快速扩展分子病理学数据的 MuMo ROC曲线
5. MuMo的可解释性与临床见解
在抗HER2联合免疫治疗队列中，MuMo评估风险概率与低分化肿瘤患者相比，中度和高分化肿瘤相比显著更高。对于Lauren分类，MuMo评估弥漫型具有最高的风险概率，与肠道型和混合型相比显着更高。这些分析进一步证实了MuMo临床相关性和其研究的可靠性。
图6. 多模态模型（MuMo）的可解释性分析
图7. HER2阳性GC患者的多模式数据分析的全面概述
文章总结
MuMo可以利用深度学习模型来提高接受抗HER2或抗HER2联合免疫治疗的GC患者的反应预测准确性。实现了个性化治疗策略方面取得了重大进展，为未来的肿瘤学研究提供了方向。读完此篇宝子们是不是感受颇深啊！能达到顶刊水平果然不一般，不仅是技术层面，更重要的还有巧思路结合妙结构！现如今AI医疗技术领域正处于一片蓝海，宝子们更应该做好复现，更何况该研究还提供了代码！如果思路或技术受限的宝子，欢迎随时滴滴生信湾~
微信加群
为促进前沿研究的传播和交流，我们建立了专业交流群，长按下方二维码，即可添加小编微信进群，添加微信时请备注：学校/专业/姓名，如果是PI/教授，还请注明。
定制生信分析
云服务器租赁
扫码加群合集 · 推荐
免责声明：
1. 此篇只用作学术探讨，不用于临床实践指导；
2. 此篇「原创」仅代表原创编译，本平台不主张原文的版权，如有侵权，请及时联系小编会在第一时间进行修改或撤稿重发，感谢谅解！
参考文献：
[1] Chen Z, Chen Y, Sun Y, Tang L, Zhang L, Hu Y, He M, Li Z, Cheng S, Yuan J, Wang Z, Wang Y, Zhao J, Gong J, Zhao L, Cao B, Li G, Zhang X, Dong B, Shen L. Predicting gastric cancer response to anti-HER2 therapy or anti-HER2 combined immunotherapy based on multi-modal data. Signal Transduct Target Ther. 2024 Aug 26;9(1):222. doi: 10.1038/s41392-024-01932-y. PMID: 39183247; PMCID: PMC11345439.
