Nat Commun：科学家成功开发出一种深度学习模型工具 或有望更好地预测肺癌患者的治疗疗效

2020年10月22日 讯 /生物谷BIOON/ --在过去20年里，肺癌患者的个体化疗法的发展和选择已经取得了长足的进展，非小细胞肺癌依然是肺癌的主要类型，而且也是诱发全球癌症相关死亡的主要原因，对于这类肺癌而言目前有两种治疗性策略，即酪氨酸激酶抑制剂和免疫检查点抑制剂疗法，然而，为每一位非小细胞肺癌患者选择最正确的疗法或许并不是一件容易的事情，因为在其治疗过程中患者机体的生物标志物会发生变化从而导致疗法失效，为此，来自Moffitt癌症研究中心的科学家们就通过研究开发出了一种无创且准确的方法来分析患者机体中肿瘤的突变和生物标志物，从而就能帮助确定针对患者最佳的治疗手段。

图片来源：Pixabay/CC0 Public Domain

相关研究结果发表在了国际杂志Nature Communications上，文章中，研究者阐明了如何利用深度学习模型，在正电子成象术/电脑断层摄影放射组学技术（PET/CT）的帮助下识别出哪些非小细胞肺癌患者对酪氨酸激酶疗法敏感，以及哪些患者能因免疫检查点抑制剂疗法的治疗而获益；该模型能利用放射性示踪元素18F-氟脱氧葡萄糖（18F-Fluorodeoxyglucose，一类糖分子）来进行PET/CT成像，利用18F-FDG PET/CT成像就能解释异常的葡萄糖代谢位点并帮助准确对患者机体的肿瘤进行特性分析。

研究者Matthew Schabath博士表示，这类名为18F-FDG PET/CT的成像技术被广泛用来确定非小细胞肺癌患者的疾病阶段，葡萄糖放射性示踪元素的使用常常会受到EGFR激活和患者机体炎症的影响，EGFR（表皮生长因子受体）是非小细胞肺癌患者机体最常见的突变，EGFR的突变状态被认为是患者疗法的预测子，携带活性EGFR突变的患者往往会对酪氨酸激酶疗法表现出较好的反应。

这项研究中，研究人员利用来自中国两家机构的非小细胞肺癌患者的回顾性数据，开发出了一种基于18F-FDG PET/CT的深度学习模型，这两家机构分别是上海肺科医院和河北医科大学附属第四医院，该模型能通过针对每一位患者产生EGFR深度学习得分来对患者机体的EGFR突变状态进行分类，一旦创建后，研究者就能利用另外两家机构患者的数据对该模型进行证实，另外这两家机构是哈尔滨医科大学附属第四医院和Moffitt癌症研究中心。

研究者Wei Mu说道，此前研究利用放射组学来作为非侵入性的手段预测患者机体的EGFR的突变状况，然而相比其它研究而言，我们的分析能够更加准确地预测患者机体EGFR的突变状况，同时还能产生很多优势，包括训练、证实以及对来自上述四家机构的多队列数据进行深度学习评分的检测，这或许就会增加该模型的通用性。

研究者发现，深度学习评分往往与酪氨酸激酶治疗患者较长的无进展生存率存在正相关关系，而与接受免疫检查点抑制剂免疫疗法患者的持久临床效益和较长的无进展生存期之间存在负相关关系，后期研究人员还希望进行更为深入的研究来证实这种新型模型的确能作为一种评估不同疗法的临床决策支持工具。（生物谷Bioon.com）

原始出处：

Mu, W., Jiang, L., Zhang, J. et al. Non-invasive decision support for NSCLC treatment using PET/CT radiomics. Nat Commun 11, 5228 (2020). doi：10.1038/s41467-020-19116-x