在肺癌的免疫治疗时代，如何无需活检即可预测患者的 PD-L1 表达水平？

休斯顿，我们有解决方案了。

由团队负责人 @JiaWu_PhD 领导的研究小组刚刚在《Cancer Letters》上发表了题为“基于 CT 影像深度学习预测转移性非小细胞肺癌 (NSCLC) 患者 PD-L1 表达及免疫治疗疗效：一项多中心研究”的论文。

我的专属分享链接：
authors.elsevier.com/c/1nIqS15DNFyM…

SCENT 是一种集成 Transformer 模型，它利用常规 CT 影像预测转移性 NSCLC 患者的 PD-L1 表达水平（≥50% 与 <50%），从而实现了一种非侵入性的“虚拟活检”。
•
SCENT 在 MDACC 队列中展现出了对 PD-L1 状态的强大区分能力（AUC 0.84），并成功推广至外部验证队列（Mayo 队列 AUC 0.80；LONESTAR 试验队列 AUC 0.78）。
•
基于 SCENT 预测的 PD-L1 状态可对免疫治疗的预后进行分层，且与无进展生存期 (PFS，HR 1.49) 和总生存期 (OS，HR 1.40) 均显著相关，其预测效能与组织 PD-L1 免疫组化 (IHC) 检测相当。

How to predict PD-L1 expression level without biopsy for your patients?

Houston, We Have a Solution.

We just published “Deep Learning of CT Imaging Predicts PD-L1 Expression and Immunotherapy Response in Metastatic NSCLC: A Multi-Center Study” in Cancer Letters by team leader @JiaWu_PhD

My personalized Share Link:
authors.elsevier.com/c/1nIqS15DNFyM…

SCENT, an ensemble transformer model, predicts PD-L1 (≥50% vs <50%) from routine CT as a noninvasive virtual biopsy in metastatic NSCLC.
•
SCENT achieved strong discrimination for PD-L1 status in the MDACC cohort (AUC 0.84) and generalized it to external cohorts (AUC 0.80 Mayo; 0.78 LONESTAR trail).
•
SCENT-derived PD-L1 stratified immunotherapy outcomes, associated with both PFS (HR 1.49) and OS (HR 1.40), comparable to tissue PD-L1 IHC.