用户登录转化医学是什么？

【Lancet子刊】广东省人民医院刘再毅团队：基于治疗前CT图像预测晚期胃癌新辅助化疗后淋巴结转移的深度学习模型

首页 » 《转》译 2024-09-04 转化医学网赞(2)

导读	本研究旨在开发和验证使用基线计算机断层扫描图像的深度学习网络（DLN），来预测局部晚期胃癌（LAGC）患者NAC后的淋巴结转移（LNM）。

2024年9月，南方医科大学附属广东省人民医院刘再毅团队在期刊《eClinical Medicine》上发表了题为“A transformer-based deep learning model for early prediction of lymph node metastasis in locally advanced gastric cancer after neoadjuvant chemotherapy using pretreatment CT images”的研究论文。研究结果表明，DLN能够早期预测接受NAC的局部晚期胃癌患者的LNM，并且具有显著的预后潜力，为指导个体化治疗，提供了一种有前途的方法。

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(24)00384-5/fulltext

研究背景

胃癌（GC）是全球癌症相关死亡的主要原因，全球发病率和死亡率均排名第五。大多数患者被诊断出患有局部晚期胃癌（LAGC），根治性胃切除术联合淋巴结清扫术是治疗的基础。不幸的是，LAGC的预后仍然很差，5年生存率低于40%，主要是由于相当大的肿瘤异质性。新辅助化疗（NAC）已成为LAGC的标准疗法，通过缩小原发肿瘤、消除微转移和提高R0手术切除率，来改善生存结果。遗憾的是，只有大约30%的NAC受者，表现出淋巴结（LN）消退。淋巴结转移（LNM）通常对LAGC患者的治疗策略和预后，产生深远影响。

在临床实践中，计算机断层扫描（CT）是诊断接受NAC的LAGC患者LNM的常规首选方法。然而，对LNM的主观评估，在诊断准确性方面提出了挑战，并且产生的结果并不令人满意，尤其是在敏感性约为57%的情况下。此外，由于存在微转移、炎症性水肿或纤维化，NAC后评估LN状态，变得更加复杂，导致LNM漏诊率高。

深度学习（DL）可以自动从原始图像中学习代表性信息，以全面量化肿瘤异质性，其卓越的性能在医学研究中引起了广泛关注。最近，采用transformer框架的DL，已成为预测LNM和预后的一种很有前途的技术。

因此，这项研究的主要目的，是开发和验证基于变压器框架的深度学习网络（DLN），使用基线CT图像，尽早准确预测LAGC患者的LNM。此外，团队还探讨了DLN的预后价值。

研究进展

模型性能和可解释性

DLN在TC中对NAC后LNM，显示出稳健的预测性能（AUC，0.804；95%CI 0.752-0.849），并且在所有验证队列中始终保持高疗效，AUC值为0.748（95%CI 0.660-0.830）、0.788（95%CI 0.735-0.835）和0.766（95%CI 0.717-0.814）。此外，DLN 的性能，尤其是在敏感性方面，在所有队列中均显著优于临床模型（DeLong检验，均P<0.05）。

DLN在所有队列中对cT4a/4b、cN0和cN3a/3b患者的预测性能，也表现出令人满意的预测性能，并且在不同的肿瘤位置表现出一致的性能。DCA的结果表明，DLN在所有队列中预测LNM方面，产生了很高的净收益。

Grad-CAM为预测LNM提供了有价值的信息，而LNM被DLN深深挖掘。它通过不同的颜色，可视化了像素权重的分布，突出了非LNM组和LNM组之间，原发肿瘤图像的差异。LNM组中DLN捕获的肿瘤图像，通常表现出较大的激活区域，而非LNM组的激活区域较少。DLN对高肿瘤内异质性和边缘区域敏感。

DLN预测可视化的代表性图像和插图。

与生存相连的深度学习网络

预测TC中OS的最佳DLN评分为0.395，将患者分为高危组和低危组。Kaplan-Meier曲线表明，较高的DLN分数与较差的OS显著相关 [对于中心1，风险比（HR），2.201（95%CI，1.651-2.934），P<0.0001；对于中心2，HR，1.829（95%CI，1.233，2.714），P=0.002]。DLN是OS的独立预后因素（对于中心1：HR，1.789；95%CI，1.293-2.476；对于中心2：HR，1.776；95%CI，1.129-2.794；对数秩检验，均P<0.005）。