用于预测晚期胃癌新辅助化疗主要反应的机器学习模型

YongheChen,KaikaiWei,DanLiu等

目的：开发并验证基于机器学习算法预测晚期胃癌（AGC）新辅助化疗（NAC）主要病理反应的模型。

方法:本研究共纳入年2月至年9月期间接受NAC和根治性胃切除术的患者例。共有名患者被分配到模型构建训练队列，77名患者被分配到验证队列。主要病理反应定义为原发肿瘤退化至ypT0或T1。通过机器学习算法选择从静脉期计算机断层扫描(CT)图像中提取的放射组学特征来计算radscore。与通过单变量分析选择的其他临床变量一起，将radscores包括在二元逻辑回归分析中以构建综合预测模型。为验证队列获得的数据用于测试模型的预测准确性。

结果：共有27.6%（61/）的患者达到了主要的病理反应。选择了个放射组学特征中的五个特征来计算radscores。最终建立的模型结合了腺癌分化和radscores。该模型显示出令人满意的预测准确性，C指数为0.，验证数据与校准曲线中的模型之间具有良好的拟合。

结论：开发并验证了结合腺癌分化和radscores的预测模型。该模型有助于根据患者对NAC的潜在敏感性对患者进行分层，并可作为AGC患者的个性化治疗策略制定工具。

引言

胃癌是世界上第五大最常见的恶性肿瘤，也是癌症相关死亡的第三大原因(1)。大多数患者被诊断为晚期，预后不良（2）。近年来，新辅助化疗（NAC）加后续根治性胃切除术已成为晚期胃癌（AGC）的流行治疗方式。有学者指出，NAC可使肿瘤降期和更高的治愈切除率，并可能最终延长AGC患者的生存期(3,4)。其他一些试验表明NAC未能提供任何生存益处(5,6)。此外，仍然缺乏设计良好的前瞻性随机对照试验。因此，NAC的好处和必要性仍然存在争议。先前的研究发现，NAC的生存获益在很大程度上取决于肿瘤的病理反应。那些具有重大病理反应和显着降期的患者比其他人获得了更多的生存益处(7,8)。然而，对于那些具有轻微反应的患者，NAC没有提供生存益处，而只有毒性和化疗期间肿瘤进展的风险，可能会阻碍手术切除.因此，要实现个性化精准医疗，需要一个干预前预测模型来识别主要反应者和次要反应者。

放射组学是一种新开发的基于高通量提取肿瘤区域内定量成像特征的纹理分析方法(9)，已显示出作为组织学分级(10,11)、肿瘤分期(12)和预后的无创预测指标的潜力(13)在胃癌中。在某些癌症中，放射组学特征已被证明是抗癌治疗反应的有效预测因子(14,15)。然而，缺乏针对AGC患者的类似工作。

因此，我们进行了这项研究，以评估影像学特征对AGC患者NAC主要反应的预测价值，旨在建立一个结合临床和影像学参数的预测模型，并提供一个开发个性化治疗策略的实用工具。

方法

研究人群和数据收集

本研究经医院伦理委员会批准。我们审查了我们机构的胃癌数据库，并根据以下标准纳入了患者：

纳入标准：(i)经组织学证实的胃或食管胃交界处腺癌接受NAC和根治性胃切除术的患者；(ii)在任何干预开始前接受腹部多排计算机断层扫描(CT)检查的患者；(iii)可根据实体瘤反应评估标准1.1版(16)评估的肿瘤病变。

排除标准如下：(i)接受术前放疗、曲妥珠单抗治疗的患者，或免疫治疗作为新辅助治疗的一部分；(ii)CT检查时因胃部充盈不足而导致CT图像无法区分肿瘤病灶的患者；(iii)数据不足的患者。

从数据库中检索所有可用的干预前临床信息，包括性别、年龄、体重指数（BMI）、腺癌分化和根据AJCC第8版（17）分期系统的肿瘤分期信息，如表所示1.

CT图像采集、检索程序、放射组学特征提取方法和病理反应的确定

本研究的工作流程在补充材料S1中进行了描述。从图片存档和通信系统中检索静脉相位对比增强腹部CT图像（详细信息在补充材料S2中描述）。感兴趣的区域(ROI)由两位资深的有执照的放射科医师在原发肿瘤病变的每个横截面上划定。使用分割工具ITKSNAP(18)ver3.6.0（宾夕法尼亚大学，美国）将描绘严格限制在肿瘤边界内。CT图像描绘的示例如图1所示。使用Python编程语言版本中的“pyradiomics”包(19)提取ROI的放射学特征。3.7.0（Python软件基金会，弗吉尼亚州，美国；
转载请注明原文网址：http://www.hbkje.com/lcbx/3998714.html