在过去的二十年中，针对肺癌患者的个性化治疗选择已经走了很长一段路。非小细胞肺癌是最常见的肺癌亚型同时也是全世界癌症死亡的主要原因。目前针对非小细胞肺癌，已经出现了两种主要的治疗策略：酪氨酸激酶抑制剂和免疫检查点抑制剂。但是，为非小细胞肺癌患者选择正确的治疗方法并非总是一个容易的决定，因为生物标志物在治疗过程中可能会发生变化，从而使治疗无效。莫菲特癌症中心的研究人员正在开发一种无创，准确的方法来分析患者的肿瘤突变和生物标志物，以确定最佳治疗方案。
发表于《自然》杂志的最新研究中，研究小组演示了如何深刻的学习模式使用正电子发射断层扫描/计算机断层扫描radiomics可以识别哪些非小细胞肺癌的癌症患者可能对酪氨酸激酶抑制剂治疗敏感和那些谁将会受益免疫检查点抑制剂治疗。该模型将PET / CT成像与放射性示踪剂18F-氟代脱氧葡萄糖(一种糖分子)结合使用。用18F-FDG PET / CT成像可以查明葡萄糖代谢异常的部位，并有助于准确地表征肿瘤。
Matthew Schabath说：“这种类型的成像技术18F-FDG PET / CT被广泛用于确定非小细胞肺癌患者的分期。众所周知，所使用的葡萄糖放射性示踪剂也会受到EGFR激活和炎症的影响。”博士，癌症流行病学系准成员。“ EGFR，或表皮生长因子受体，是在非小细胞肺癌患者中发现的常见突变。EGFR突变状态可以作为治疗的预测指标，因为具有EGFR活性突变的患者对酪氨酸激酶抑制剂的治疗反应更好。”
对于这项研究，Moffitt团队使用来自中国两家机构：上海肺科医院和河北医科大学第四医院的非小细胞肺癌患者的回顾性数据，开发了一种基于18F-FDG PET / CT的深度学习模型。该模型通过为每个患者生成EGFR深度学习评分，对EGFR突变状态进行分类。创建后，研究人员使用另外两个机构的患者数据进一步验证了该模型：哈尔滨医科大学第四医院和莫菲特癌症中心。
癌症生理学系的第一作者，博士后研究员魏牧说：“先前的研究已经利用放射组学作为一种非侵入性方法来预测EGFR突变。” “但是，与其他研究相比，我们的分析预测EGFR的准确性最高，并且具有许多优势，其中包括来自四个机构的多个队列的训练，验证和测试深度学习得分，从而提高了其推广性。”
罗伯特说：“我们发现，用酪氨酸激酶抑制剂治疗的患者，EGFR深度学习得分与更长的无进展生存呈正相关，而与接受免疫检查点抑制剂免疫疗法的患者的持久临床获益和更长的无进展生存呈负相关。” Gillies博士，癌症生理学系主任。“我们希望进行进一步的研究，但相信该模型可以作为不同治疗方法的临床决策支持工具。”
