CT-Based Habitat Radiomics and Deep Learning for Predicting Early Response and Survival in Unresectable Hepatocellular Carcinoma Treated with Hepatic Arterial Infusion Chemotherapy plus Lenvatinib and Programmed Death Receptor-1 Inhibitors
本研究开发并验证了一种无创、多维融合模型，该模型整合了基于CT的生境组学、2.5D深度学习特征以及临床指标，旨在准确预测接受HAIC-FOLFOX联合仑伐替尼及PD-1抑制剂治疗的不可切除肝细胞癌患者的早期治疗反应及无进展生存期。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
肝癌，特别是被称为肝细胞癌（hepatocellular carcinoma）的那种类型，是一个强大的对手，因为它在每个患者身上的表现极少完全相同。即使两个人的肿瘤大小一致，并且接受了完全相同的强效治疗，一个人的癌症可能会显著缩小，而另一个人的情况却毫无变化。这种不可预测性源于这样一个事实：单个肿瘤并不是一块均匀的组织，而是一个由不同细胞类型和环境紧密堆积而成的复杂景观。对于医生来说，挑战在于寻找一种方法，在治疗开始前观察这种景观的内部，从而推测哪些患者会对特定的药物组合产生反应，而哪些不会。目标是远离猜测，转向精准、个性化的方案，从而既能让一些患者免受无效疗法的困扰，又能确保另一些患者能立即获得所需的帮助。
为了解决这个问题，中国的研究人员致力于创造一种新型的数字地图。他们专注于一组无法进行手术的晚期肝癌患者。这些患者接受了三联疗法：通过肝动脉直接注入的化疗输注、一种名为仑伐替尼（lenvatinib）的靶向口服药，以及一种帮助人体免疫系统对抗癌症的免疫治疗药物。虽然这种组合显示出了潜力，但研究人员知道并非每个人都会从中受益。他们想要构建一个工具，能够在给药前预测患者的肿瘤是否会显著缩小，以及患者在疾病进展前能维持多久。
团队收集了来自两家不同医院的240名患者的医学影像。这些影像是在注射了对比剂（以使血管和肿瘤清晰可见）的标准CT扫描图像。研究人员并没有将肿瘤视为一个单一的、实心的物体，而是使用了被称为“生境成像”（habitat imaging）的技术。想象一下，肿瘤不是一座单一的建筑，而是一座大型且多样化的城市。就像一座城市有不同的街区——有些繁忙活跃，有些则安静或破败——肿瘤也有具有独特特征的不同区域。研究人员使用计算机算法，根据外观将CT扫描中的微小像素分类到这些不同的“街区”中。他们发现，将肿瘤划分为三个特定的区域可以提供最清晰的内部多样性图景。
一旦确定了这些区域，团队就从图像中提取了数千个微小的细节，例如纹理、形状和亮度模式。这被称为“影像组学”（radiomics）。他们对整个肿瘤以及三个区域中的每一个分别进行了这种处理。与此同时，他们使用了一种被称为“深度学习”的人工智能技术来扫描图像。这项技术的工作方式不同；它不是寻找预定义的模式，而是通过直接研究图像来学习识别复杂的形状和结构，就像孩子通过观察许多例子来学习识别一张脸一样。研究人员测试了多种不同的深度学习架构，以观察哪一种最擅长捕捉能够对治疗产生反应的肿瘤的细微迹象。
随后，研究人员将所有这些信息——来自不同肿瘤生境的细节、人工智能学习到的模式，以及基础临床数据（如肝功能测试）——整合进一个单一且强大的预测模型中。他们在三个不同的患者组上测试了该模型：一组用于构建模型，第二组用于内部验证，第三组来自另一家医院，用以观察其在现实世界中的表现。结果令人瞩目。该综合模型能够高精度地预测哪些患者在接受仅几周的治疗后，其肿瘤会显著缩小。在来自第二家医院的独立患者组中，该模型正确识别响应者的准确率约为87%，这一表现明显优于任何单一方法。
除了预测谁会产生反应之外，该模型还提供了一个洞察未来的窗口。研究人员发现，被模型识别为可能产生反应的患者，与被预测不会产生反应的患者相比，其无疾病进展的生存时间更长。事实上，该模型可以将患者分为高风险组和低风险组，两组之间的生存结果存在明显差异。被预测为低风险的患者中位无进展生存期为14个月，而高风险组的中位生存期仅为6.3个月。这表明，该模型捕捉到了简单测量无法观察到的关于肿瘤生物学的本质特征。
研究还揭示了为什么这种方法如此有效。通过将肿瘤分解为不同的生境，该模型能够观察到驱动药物耐药性或敏感性的特定区域。人工智能增加了另一个层面，它能捕捉到人类肉眼或标准测量无法发现的复杂视觉模式。当这两种强大的方法与简单的临床数据融合在一起时，它们创造了一个比其任何单一组成部分都更可靠的工具。研究人员指出，尽管该模型非常有前景，但它是基于过去的数据构建的，需要在未来更大规模的研究中进行测试，以确认其对每位患者的价值。然而，这些发现提供了一个切实的进步：一种非侵入性的方法，可以观察肝脏肿瘤复杂的内部世界，并做出更明智、更具信息的决策。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。