“放射科医生对接受全身疗法的癌症患者进行CT扫描的解释本质上是主观的，” Dercle说。“这项研究的目的是训练最先进的人工智能技术，以预测患者对治疗的反应，从而使放射科医生能够在疾病的早期阶段提供更准确，可重复的治疗效果预测。”

Dercle解释说，为了确定NSCLC患者是否对全身治疗有反应，放射科医生目前对肿瘤大小的变化和新肿瘤病变的出现进行了量化。但是，这种类型的评估可能会受到限制，特别是在接受免疫疗法治疗的患者中，他们可能表现出非典型的反应和进展模式，他指出。Dercle说：“较新的全身疗法催生了对替代指标进行评估的需求，这可以影响治疗决策。”

研究的进行方式和结果：Dercle及其同事利用了多个II期/ III期临床试验的数据，这些数据评估了NSCLC患者的全身治疗。这些患者接受了以下三种药物之一的治疗：免疫治疗药物nivolumab(Opdivo)，化学治疗药物多西他赛(Taxotere)或靶向治疗吉非替尼(Iressa)。研究人员在两项试验中回顾性分析了92例接受nivolumab治疗的患者的标准CT图像。一项试验中有50例接受多西他赛治疗的患者;一项试验中有46名患者接受了吉非替尼治疗。

为了建立模型，研究人员使用了在基线和首次治疗评估时拍摄的CT图像(吉非替尼治疗的患者为3周;纳武单抗或多西他赛治疗的患者为8周)。根据每个试验的参考标准将肿瘤分类为对治疗敏感或对治疗不敏感(nivolumab和多西他赛组的中位无进展生存期;吉非替尼治疗后的手术标本分析)。在所有三个队列中，将患者随机分为训练或验证组。

研究人员使用机器学习开发了一个多变量模型来预测训练队列中的治疗敏感性。每个模型都可以根据基线处确定的最大可测量肺部病变的变化，预测得分范围从零(最高治疗敏感性)到一(最高治疗敏感性)。

由于吉非替尼队列的患者人数有限，研究人员使用一组接受抗EGFR治疗的转移性结直肠癌患者(302例)建立并验证了模型。然后使用预测结肠直肠癌队列中确定的治疗敏感性的放射学特征在吉非替尼治疗的NSCLC患者的训练队列中建立模型。

在所有队列中，总共使用了八个放射学特征来构建三个预测模型。这些特征包括肿瘤体积，异质性，形状和边缘的改变。纳武单抗和吉非替尼模型均使用了四种放射学特征，而多西他赛模型均使用了一种放射学特征。

每个签名的性能通过计算曲线下的面积(AUC)来评估，该面积是模型准确性的度量，分数为1代表完美的预测。在验证队列中，nivolumab，多西他赛和吉非替尼的预测模型分别实现了0.77、0.67和0.82的AUC。