深度学习增强磁共振组学在预测头颈部鳞状细胞癌对新辅助化疗免疫治疗的病理反应中的作用：一项回顾性分析

《International Journal of Surgery》：Deep learning enhanced MRI radiomics in predicting pathologic response of head and neck squamous carcinoma to neoadjuvant chemoimmunotherapy: a retrospective analysis

头颈部鳞状细胞癌新辅助化疗免疫治疗响应预测研究通过整合深度学习MRI特征与传统放射组学及临床数据，显著提升预测准确度（AUC分别为0.781、0.759、0.740），为个体化治疗和预后评估提供新策略。

　　

摘要 通俗语言总结

---

背景：

新辅助化疗联合免疫疗法（NACI）已成为头颈部鳞状细胞癌（HNSCC）术前最广泛采用的疗法之一。然而，由于缺乏预测性生物标志物，准确预测患者对这种疗法的反应一直具有挑战性。

方法：

在本研究中，筛选了2021年至2023年间接受化疗联合程序性细胞死亡蛋白1抑制剂（PD-1抑制剂）作为NACI方案治疗、且临床病理数据完整的HNSCC患者。收集了这些患者的临床病理数据和磁共振成像（MRI）图像数据，并将其分为训练组、测试组和外部验证组。研究采用了传统的放射组学方法和深度学习技术从MRI图像中提取特征，随后通过Spearman相关性分析和最小绝对收缩选择算法进行特征选择。所选特征被纳入逻辑回归分类器中，用于预测患者的病理完全缓解情况。

结果：

研究结果表明，从MRI图像中提取的7个特征中有3个是深度学习特征。值得注意的是，将深度学习特征与临床病理特征和放射组学特征结合使用后，训练组、测试组和外部验证组的曲线下面积（AUC）分别提高到了0.781、0.759和0.740。此外，多模态预测方法显著改善了接受NACI治疗的HNSCC患者的预后。

结论：

总之，MRI图像中的深度学习特征可以补充传统的影像分析方法，揭示HNSCC患者对NACI反应的潜在模式。不同数据类型的整合提供了更为可靠的预测策略。

通俗语言总结：本研究探讨了MRI图像中的深度学习特征如何帮助预测哪些头颈部鳞状细胞癌（HNSCC）患者能在术前对新辅助化疗联合免疫疗法（NACI）产生良好反应。研究人员分析了2021年至2023年间接受治疗的患者的MRI图像和临床病理数据。研究发现，将深度学习特征与传统放射组学和临床数据结合使用后，预测准确性得到了提升，不同组别的AUC分别为0.781、0.759和0.740。这种方法有助于更精准地分层患者，并改善预后，从而更有效地识别可能从NACI中获益的患者。

本文内容由机器生成，可能存在不准确之处。常见问题解答