Deep learning radiomics and mediastinal adipose tissue-based nomogram for preoperative prediction of postoperative brain metastasis risk in non-small cell lung cancer
Niu Y., Jia HB., Li XM., Huang WJ., Liu PP., Liu L.
การศึกษาย้อนหลัง ตีพิมพ์ในวารสาร BMC Cancer ปี 2025 — สรุปอัตโนมัติจากบทคัดย่อ PubMed
มีหลักฐานในมนุษย์ระยะต้น เช่น case series หรือกลุ่มตัวอย่างขนาดเล็ก ที่กำลังสำรวจประโยชน์ที่เป็นไปได้
- ระดับ A · หลักฐานทางคลินิกค่อนข้างแข็งแรง
- ระดับ B · หลักฐานทางคลินิกที่กำลังเติบโตและมีสัญญาณเชิงบวก
- ระดับ C · งานวิจัยในมนุษย์ระยะต้นที่กำลังสำรวจประโยชน์
- ระดับ D · รากฐานทางวิทยาศาสตร์จากห้องปฏิบัติการและสัตว์ทดลอง
- กำลังศึกษาเพิ่มเติม · หัวข้อใหม่ที่นักวิจัยกำลังสำรวจอย่างต่อเนื่อง
ข้อมูลหน้านี้ดึงมาจากฐานข้อมูล PubMed โดยตรง คำอธิบายภาษาไทยเป็นสรุปอัตโนมัติจากข้อมูลบรรณานุกรมและบทคัดย่อ ไม่ใช่การแปลทั้งฉบับ และไม่ใช่คำแนะนำทางการแพทย์
- ประเภทการศึกษา
- การศึกษาย้อนหลัง
- วารสาร
- BMC Cancer (2025)
- จำนวนผู้เข้าร่วม (จากบทคัดย่อ)
- —
- แหล่งข้อมูล
- Europe PMC
- PMID
- 40597925
- PMCID
- PMC12219950
- DOI
- 10.1186/s12885-025-14466-5
บทคัดย่อ (ต้นฉบับภาษาอังกฤษ)
BACKGROUND AND OBJECTIVES: Brain metastasis (BM) significantly affects the prognosis of non-small cell lung cancer (NSCLC) patients. Increasing evidence suggests that adipose tissue influences cancer progression and metastasis. This study aimed to develop a predictive nomogram integrating mediastinal fat area (MFA) and deep learning (DL)-derived tumor characteristics to stratify postoperative BM risk in NSCLC patients. MATERIALS AND METHODS: A retrospective cohort of 585 surgically resected NSCLC patients was analyzed. Preoperative computed tomography (CT) scans were utilized to quantify MFA using ImageJ software (radiologist-validated measurements). Concurrently, a DL algorithm extracted tumor radiomic features, generating a deep learning brain metastasis score (DLBMS). Multivariate logistic regression identified independent BM predictors, which were incorporated into a nomogram. Model performance was assessed via area under the receiver operating characteristic curve (AUC), calibration plots, integrated discrimination improvement (IDI), net reclassification improvement (NRI), and decision curve analysis (DCA). RESULTS: Multivariate analysis identified N stage, EGFR mutation status, MFA, and DLBMS as independent predictors of BM. The nomogram achieved superior discriminative capacity (AUC: 0.947 in the test set), significantly outperforming conventional models. MFA contribute
สิ่งที่งานวิจัยนี้ไม่ได้พิสูจน์
- • งานวิจัยนี้ไม่ได้พิสูจน์ว่า SVF เป็นการรักษาที่ได้รับการรับรอง หรือใช้แทนการรักษามาตรฐานได้
- • ไม่มีกลุ่มควบคุมที่เหมาะสม จึงไม่สามารถแยกผลของการรักษาออกจากปัจจัยอื่นได้
ระดับหลักฐาน
มีหลักฐานในมนุษย์ระยะต้น เช่น case series หรือกลุ่มตัวอย่างขนาดเล็ก ที่กำลังสำรวจประโยชน์ที่เป็นไปได้
ดูวิธีจัดระดับหลักฐานดูงานวิจัยทั้งหมดที่เกี่ยวข้อง
กรองห้องสมุดงานวิจัยด้วยชื่อเรื่อง ชื่อผู้เขียน หรือปีที่ตีพิมพ์ของงานวิจัยนี้