胰腺导管腺癌早期肝转移的深度学习CT特征预测

《Nature Communications》：Deep learning CT signature for predicting early liver metastases in pancreatic ductal adenocarcinoma

　　

摘要

准确预测早期肝转移（ELM）风险并识别最有可能从新辅助治疗（NAT）中获益的患者，对于胰导管腺癌（PDAC）的治疗至关重要。在此，我们开发了一种基于Mamba的预测模型，该模型整合了胰腺原发肿瘤和肝脏的影像学特征，以评估ELM风险。该模型在包含1063例PDAC患者的多机构队列中进行了评估，在预测ELM方面表现出稳健的性能（AUC：0.806-0.890）。此外，模型定义的高危患者无进展生存期显著缩短（PFS：HR = 1.93，p < 0.001），总生存期亦显著缩短（OS：HR = 1.89，p < 0.001）。值得注意的是，新辅助治疗在模型定义的高危患者中带来了显著的总生存获益（17.4个月 vs. 34.1个月；p < 0.001），即使在倾向评分匹配后依然显著（p = 0.004），而在低危患者中未观察到生存获益。放射转录组学分析进一步揭示高危组具有相对较高的生物学侵袭性。总之，我们提出的基于Mamba的框架能够实现ELM的准确预测，并可作为临床上可用的工具，帮助识别最有可能从新辅助治疗中获益的PDAC患者。