400-001-9769
- 相关文章
评估乐伐替尼开始后的肿瘤反应。从对比增强的CT图像中提取影像组学特征。K均值聚类算法用于区分基于影像组学的亚型。构建了 10 个机器学习（ML）影像组学模型，并通过 10 倍交叉验证进行了内部验证。这些模型随后在外部验证队列中进行了验证。
总共确定了 109 名患者进行分析，即训练队列中的 74 名患者和外部验证队列中的 35 名患者。 32 名患者表现出部分反应，33 名患者表现出疾病稳定，44 名患者表现出疾病进展。总缓解率（ORR）为29.4%，疾病控制率为59.6%。总共提取了 224 个放射组学特征，并确定了 25 个重要特征以供进一步分析。通过 K 均值聚类确定了两个基于放射组学的远距离亚型，亚型 1 与更高的 ORR 和更长的无进展生存期 (PFS) 相关。在 10 种 ML 算法中，AutoGluon 显示出最高的预测性能（AUC = 0.97），在验证队列中相对稳定（AUC = 0.93）。 试验分析表明，应答者的总生存期更好 [HR = 0.21；95% 置信区间 (CI)：0.12–0.36；P < 0.001] 和 PFS（HR = 0.14；95% CI：0.09–0.22；P < 0.001）高于无反应者。
试验构建了有价值的机器学习（ML）放射组学模型，在预测不可切除的 HCC 对乐伐替尼单药治疗的反应方面具有良好的性能。