
-
生物通官微
陪你抓住生命科技
跳动的脉搏
GUARD-LGG:一种治疗前预测低级别胶质瘤早期放射性治疗反应的机器学习模型
《npj Digital Medicine》:GUARD-LGG: a glioma upfront AI-driven radiotherapy response decipher for lower-grade glioma
【字体: 大 中 小 】 时间:2026年10月21日 来源:npj Digital Medicine 18.0
编辑推荐:
摘要放射性治疗(RT)仍然是管理低级别胶质瘤(LGG)的核心方法之一,但其反应差异很大。可靠的治疗前RT反应预测可以促进患者管理,但目前尚不可用。在此,我们提出了GUARD-LGG,这是一种旨在治疗前预测LGG早期RT反应的机器学习模型。GUARD-LGG在一家主要中心的96
放射性治疗(RT)仍然是管理低级别胶质瘤(LGG)的核心方法之一,但其反应差异很大。可靠的治疗前RT反应预测可以促进患者管理,但目前尚不可用。在此,我们提出了GUARD-LGG,这是一种旨在治疗前预测LGG早期RT反应的机器学习模型。GUARD-LGG在一家主要中心的963例患者上进行训练,在七个独立机构的187例患者上进行测试,并在注册临床试验中前瞻性地纳入328例患者。GUARD-LGG在训练集、内部验证集、外部验证集和前瞻性测试集中的AUC分别为0.946(95% CI:0.938–0.962)、0.929(95% CI:0.894–0.965)、0.882(95% CI:0.830–0.934)和0.913(95% CI:0.878–0.949)。模型解释突显了残余肿瘤、年龄、T2加权纹理粗糙度和T1加权对比强度变化为主要预测因子。放射基因组学分析表明,预测的不利RT反应与RT耐药相关通路的富集之间存在潜在关联。一致地,预测RT反应不利的患者表现出更短的总生存期。总之,GUARD-LGG能够在治疗前实现早期RT反应的个体化预测,为LGG的治疗前反应分层提供了一种工具。