机器学习类文章的“长城炮”!中山大学孙逸仙纪念医院刘洁琼教授团队机器学习+放射组学模型拿下10分+SCI!
机器学习算法成为过去式了?
不能发出高分文章了?No!
今天船长在这里分享给大家分享的这篇文章,是如何利用机器学习算法从而“斩获”高分期刊的呢?究竟有什么亮点“Buff”的叠加造就了机器学习类文章分数的进一步提升?下面就让船长和大家娓娓道这篇文章的闪烁之处吧!
1.由于生物医学图像可以反映组织的细胞和分子属性,此文章利用放射组学模型分析医学图像并将其转换为定量数据。
2.此文章通过机器学习算法高通量地提取定量成像特征,并进一步用于评估肿瘤微环境(TME)和异质性。
3.此文章通过预测基于免疫检查点抑制物(ICIS)的乳腺癌治疗效果的放射组学生物标志物的研究,开发了一种基于机器学习的放射组学模型,该模型可以准确地预测免疫治疗的益处,并优化ABC患者的治疗决策。放射组学作为一项新兴的肿瘤诊断和辅助检测技术与机器算法的“联手”,使得在生物信息学类的文章的排名再次“进军前列”。此文章利用临床数据和放射组学模型的结合,使用机器学习算法进行分析,发表到10分+的期刊。是不是科研思路再次拓宽了!如果你有想法,不知如何复现,赶快滴滴船长吧!下一篇高分文章非你莫属!(想做类似研究的小伙伴可以后台滴滴船长呦!)
题目:利用机器学习整合放射学和临床数据预测晚期乳腺癌抗PD-1抗体联合治疗的疗效:一项多中心研究
杂志:Journal for immunotherapy of cancer
影响因子:IF=10.9
发表时间:2023年5月
研究背景
基于免疫检查点抑制物(ICIS即程序化死亡配体1 PD-L1或细胞毒性T淋巴细胞抗原4))的治疗被认为是肿瘤治疗的重大突破之一。然而在准确识别并应用于ICIS的患者方面仍具有挑战性。目前用于预测ICIS疗效的生物标志物,其准确性有限。本篇文章研究旨在是开发一个放射组学模型,可以准确地预测ICIS对晚期乳腺癌(ABC)患者的疗效。
将接受ICIS治疗的240例ABC患者的增强前CT(CECT)图像和临床病理特征分配到训练队列和独立验证队列中。提取放射学特征,用感兴趣区描绘了ICIS治疗前1个月患者的CECT图像。利用多层感知器进行数据降维、特征选择和放射组学模型构建。将放射组学特征与独立的临床病理特征相结合,通过多变量Logistic回归分析对模型进行整合。
主要结果
1.临床数据特点
在这项研究中,共有240名患者(培训队列中的171名患者,外部验证队列中的69名患者)进行了回顾性研究(图1A)。培训队列和验证队列之间的基线特征在统计学上不存在显著性差异(Table 1)。将前瞻性临床试验和回顾性临床试验的患者以及其他来源的患者中的一半作为训练组。前瞻性临床试验和SYSUCC的另一半回顾数据作为验证集。训练集与验证集的比例约为5:2。
2.放射组学特征选择及预测模型的建立
综合所有提取的放射组学特征后,使用MLP算法在训练队列中选择与免疫治疗反应最密切相关的特征。如(图2A)所示包括数据收集、研究设计、ROI描述、图像特征提取和机器学习模型构建。(图2B)显示模型业绩评价和验证。利用放射组学特征建立预测免疫治疗反应的模型,放射组学模型预测的ABC患者的免疫治疗反应状态与培训和验证队列中的实际临床免疫治疗反应状态显示一致(图2C,D)。此外,放射组学模型在训练队列中的AUC值为0.994,在验证队列中的AUC值为0.920,同样具有较高的准确性(图2E,F)。放射组学模型的定标曲线表明,分别在训练队列和验证队列中进行观察,模型预测与实际相吻合 (图2G)。DCA表明,与临床模型相比,放射组学模型获得的总体净收益最高(图2H)。CIC表明,放射组学模型可以准确地针对免疫治疗反应人群(图2I)。此外,为了获得更好的预测性能,将临床特征整合到放射组学模型中,建立了临床-放射组学模型。与放射组学模型相比,临床放射组学模型并没有取得显著的改善,在训练和验证集上的AUC分别为0.997和0.961 (图2K、L、E和F)。校准曲线、DCA和CIC分析表明放射组学模型与临床放射组学模型相似(图2G、H和J)。
3.评估各种模型的预测能力
放射组学模型和临床-放射组学模型的预测准确性均好于临床模型(图3A,B)。此外,在训练队列中110名无反应的患者中有108名(98.2%),在验证队列中的45名无反应的患者中有45名(100%)被放射组学模型成功识别。同时,61名在训练队列中有反应的患者中有58名(95.1%)和24名在验证队列中有反应的患者中有21名(87.5%)被放射组学模型成功识别(图3C)。此外,在训练队列中,110名患者中有107名(97.3%)无反应,45名患者中有45名(100%)无反应在验证队列中也成功地被临床-放射组学模型识别。同时,61名在训练队列中有反应的患者中有60名(98.4%)和24名在验证队列中有反应的患者中有23名(95.8%)被临床-放射组学模型成功识别(图3D)。
4.放射组学模型和联合模型在免疫治疗中的预后价值
放射组学模型能将患者分为两个危险队列,训练集和验证集的PFS都有显著差异,HR分别为2.705(图5A)和2.625(图5B)。此外,低风险组的PFS中位数是高风险组的两倍多。同样,临床-放射组学模型也能够区分训练队列中HR为2.464(图5C)和验证队列中HR为2.564(图5D)的低风险患者相比有较好的PF。
5. 训练和验证集中放射组学模型的亚组分析
根据PD-L1状态(CPS评分)、既往方案、分子亚型、肿瘤转移负荷和免疫治疗方案进行亚组分析。放射组学模型在CPS高和低CPS组中都获得了良好的性能,在训练队列中的AUC值分别为1.000(CPS高)和0.996(CPS低),在验证队列中分别为0.778(CPS高)和1.000(CPS低) (图5A)。根据这些乳腺癌患者的分子亚型进行了亚组分析。TNBC和非TNBC亚组内的预测都表现良好,培训队列中的AUC值分别为0.997(TNBC)和0.994(非TNBC),验证队列中的AUC值分别为0.910(TNBC)和0.988(非TNBC)(图5B)。放射组学模型在先前治疗的不同亚组、肿瘤转移负荷和联合免疫治疗方案中的表现也是相似的(图5C-E)。使用或不使用抗血管生成治疗的免疫治疗方案也不影响放射组学模型的准确性(图5F)。
文章小结
研究表明,放射组学模型可能是一种有效、非侵入性、成本效益高和可靠的方法来预测ABC对基于ICIS的治疗的反应。将此文章的思路应用到其他晚期类型癌症中,那么下一篇发表高分文章的就是你!这是不是你的新科研“idea”?伙伴们看完这篇文章,是不是觉得按照此文章思路进行研究有巨大可行性!
Tag标签: 机器学习 放射组学