研究指向肺癌患者惡病質(zhì)早期診斷的新方法

惡病質(zhì)是一種以體重和肌肉質(zhì)量嚴重下降為特征的綜合征。它存在于大約一半的肺癌患者中，并且在非小細胞肺癌病例中尤其具有破壞性。早期檢測對于預后目的和作為最佳治療決策的基礎很重要。

惡病質(zhì)導致的虛弱會阻礙日?；顒?，引起疼痛，并增加應對疾病的難度及其治療的副作用。肺癌患者的主要危害是急性呼吸衰竭。

Sarah Santiloni Cury 是巴西圣保羅州立大學博圖卡圖生物科學研究所 (IBB-UNESP) 的博士后研究員，研究惡病質(zhì)的早期診斷策略，并且是發(fā)表在《期刊》上的一篇關于預測該綜合征新方法的文章的第一作者轉化醫(yī)學。

她的工作在 2020 年一次專注于癌癥研究中的人工智能和機器學習的活動中獲得了歐洲分子生物學組織 (EMBO) 和歐洲生化學會聯(lián)合會 (FEBS) 頒發(fā)的獎項。

“多種篩查工具用于測量肌肉損失。一種可能性是計算機斷層掃描 [CT] 用于第三腰椎 [L3] 的肌肉量化。但是，非小細胞肺癌患者的 CT 掃描通常不包括 L3，”她說。

一些研究人員通過分析胸大肌區(qū)域 (PMA) 克服了這一限制。PMA 量化與臨床結果相關，但每項研究使用不同的計算和截斷值，并且基于 CT 對惡病質(zhì)患者進行分類的最佳截斷值尚未確定。

Cury 和她的團隊證明，單獨的 PMA 可以作為這些患者的惡病質(zhì)預測因子。他們使用機器學習，根據(jù)肌肉量、臨床數(shù)據(jù)和腫瘤微環(huán)境的轉錄譜，建立了肌肉損失預測模型。

他們首先使用來自癌癥影像檔案 (TCIA) 的公開 CT 掃描測量了 211 名非小細胞肺癌患者的 PMA。使用應用于 PMA、臨床數(shù)據(jù)和生存數(shù)據(jù)的機器學習算法(CART 和 Cutoff Finder)建立截止值。

標簽：