基于MRI的深度学习影像组学模型预测肺癌脑转移灶对靶向治疗的疗效反应

《European Journal of Medical Research》：MRI-based deep learning radiomics models predict lung cancer brain metastases’ responses to targeted therapy

　　

摘要

背景

脑转移瘤（BrMs）是最常见的颅内肿瘤，其中肺癌是主要原发来源。靶向治疗为脑转移瘤患者提供了一种有力的治疗选择。在治疗前预测脑转移瘤对靶向治疗的反应至关重要，以便筛选出可能从中获益的患者。本研究旨在开发和验证基于MRI的深度学习影像组学模型（DLRMs），用于预测肺癌患者脑转移瘤对靶向治疗的反应。

方法

回顾性纳入来自七个中心的151例接受靶向治疗的肺癌患者的765例脑转移瘤。其中467例分配至训练组，192例分配至内部验证组，106例分配至外部测试集。通过随访脑部MRI评估每个脑转移瘤的反应状态。分别使用LASSO方法从治疗前的脑转移瘤MR图像中构建手工特征和深度学习（DL）特征。通过整合手工特征和DL特征，基于LASSO逻辑回归系数建立了两个DLRMs，分别用于预测脑转移瘤对靶向治疗的6个月和12个月反应。采用曲线下面积（AUCs）评估DLRMs的性能，并通过DeLong检验与手工特征或DL特征进行比较。

结果

DLRM预测脑转移瘤对靶向治疗6个月反应的AUC在训练组、内部验证组和外部测试组中分别为0.848、0.801和0.790。DLRM预测脑转移瘤对靶向治疗12个月反应的AUC在训练组、内部验证组和外部测试组中分别为0.900、0.818和0.782。DLRMs在所有组中预测靶向治疗反应的表现均优于手工特征和DL特征（所有p < 0.05）。决策曲线分析表明，DLRMs可为脑转移瘤肺癌患者带来获益。

结论

基于MRI的DLRMs能够预测脑转移瘤在6个月和12个月期间对靶向治疗的反应，有助于优化脑转移瘤肺癌患者的治疗。