CN114220486B - 一种基于支持向量机的肺癌免疫联合化疗效果预测 - Google Patents
一种基于支持向量机的肺癌免疫联合化疗效果预测 Download PDFInfo
- Publication number
- CN114220486B CN114220486B CN202111424687.8A CN202111424687A CN114220486B CN 114220486 B CN114220486 B CN 114220486B CN 202111424687 A CN202111424687 A CN 202111424687A CN 114220486 B CN114220486 B CN 114220486B
- Authority
- CN
- China
- Prior art keywords
- cells
- immune
- lung cancer
- support vector
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Hematology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Urology & Nephrology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biotechnology (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Bioethics (AREA)
- Cell Biology (AREA)
- Tropical Medicine & Parasitology (AREA)
- Computing Systems (AREA)
- Food Science & Technology (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Microbiology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
Abstract
本发明公开了一种基于支持向量机的肺癌免疫联合化疗效果预测,主要为通过检测5种免疫细胞的表达,将所述免疫细胞的表达输入至通过支持向量机预先训练的疗效预测模型中预测免疫联合化疗效果。其中5种免疫细胞分别为:CD3+CD56+NKT细胞、CD3‑CD19+B细胞、CD3‑CD56+NK细胞、CD4+CD45RA‑T细胞、CD4+CD45RA+T细胞。通过ROC曲线可以看出,具有非常高的灵敏度和特异性,超过放射学以及临床评估,具有很高的应用价值。
Description
技术领域
本发明属于生物医药领域,具体涉及一种基于支持向量机的肺癌免疫联合化疗效果预测。
背景技术
最近,抗程序性死亡受体1(PD-1)或其配体(PD-L1)与化疗的联合治疗明显成为晚期非小细胞肺癌(NSCLC)患者研究的一种有趣的治疗策略。在KEYNOTE-407、KEYNOTE-189和IMPOWER-130研究中,与单独化疗相比,抗PD-1/PD-L1(如pembrolizumab和atezolizumab)联合铂类双化疗显示更好的治疗反应,更长的无进展生存期(PFS)和总生存期(OS)。
同时,除晚期肺癌外,抗PD1/PD-L1与化疗联合用于可切除NSCLC患者。最新的CHECKMATE-816研究表明,新辅助nivo联合化疗显着改善了主要病理反应(MPR),美国临床肿瘤学会(ASCO)2021年报告(摘要编号:8503)。接受APDC治疗的NSCLC患者的肿瘤突变负荷(TMB)和PD-L1表达值与MPR无关。一项最新研究(SAKK 16/14)报告称,达到MPR的IIIA期(N2)患者显示出比无MPR患者更长的无事件生存期(EFS)和总生存期(OS),后者接受了围手术期durvalumab和新辅助化疗的组合。然而,只有一部分非小细胞肺癌患者可以获得抗PD-1/PD-L1联合化疗(APDC)作为新辅助治疗的MPR。因此,迫切需要发现新颖且有用的生物标志物来预测最有可能在手术前从APDC获得MPR的患者。
发明内容
本发明的目的在于提供一种可以准确预测肺癌免疫联合化疗效果标志物以及基于支持向量机进行精确预测。
本发明所采取的技术方案是:
本发明的第一方面,提供一种预测肺癌免疫联合化疗效果的标志物,包括如下5种免疫细胞:CD3+CD56+NKT细胞、CD3-CD19+B细胞、CD3-CD56+NK细胞、CD4+CD45RA-T细胞、CD4+CD45RA+T细胞。
在本发明的一些实施方式中,通过检测5种免疫细胞的表达,将所述免疫细胞的表达输入至通过支持向量机预先训练的疗效预测模型中预测免疫联合化疗效果。
在本发明的一些实施方式中,所述支持向量机预先训练的疗效预测模型采用径向基函数作为核函数,所述径向基函数的表达式为:K(x,z)=exp(-γ||x-z||2);其中,x为输入的样本(即映射前的样本,属于输入空间X,一般为向量),z为特征空间H中与x对应的向量(即映射后的向量数据);γ为径向基函数的超参数,其中γ大于0;||x-z||表示向量的范数,即向量x与z的距离(即x与z的差值向量的模);exp为公知的含义,即以e为底,括号中内容表示指数。
本发明的第二方面,提供检测标志物的物质在制备预测肺癌免疫联合化疗效果产品中的应用,所述标志物如本发明第一方面所述。
本发明的第二方面,提供一种产品,其特征在于,所述产品包含检测标志物的物质,所述标志物如本范明第一方面所述。
本发明的第三方面,提供一种肺癌免疫细胞数据处理方法,包括:
获取与肺癌的MPR相关的免疫细胞数据;
对所述免疫细胞数据进行特征选择,得到关键免疫细胞的特征;
将关键免疫细胞的特征输入至通过支持向量机预先训练的疗效预测模型中预测免疫联合化疗效果。
在本发明的一些实施方式中,所述关键免疫细胞为本发明第一方面所述的标志物。
在本发明的一些实施方式中,所述对所述免疫细胞数据进行特征选择,得到关键免疫细胞的特征,具体为:
采用RFE和LASSO算法对所述免疫细胞数据进行特征选择,得到关键免疫细胞的特征。
本发明的第四方面,提供一种肺癌免疫细胞数据处理系统,包括:
数据获取模块,用于获取肺癌患者中与MPR相关免疫细胞数据;
免疫细胞数据选择模块,用于对所述免疫细胞数据进行特征选择,得到关键免疫细胞的特征;
预测模块,用于将将关键免疫细胞的特征输入至通过支持向量机预先训练的疗效预测模型中预测免疫联合化疗效果。
本发明的第五方面,提供一种肺癌免疫细胞数据处理装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行本发明第三方面所述的方法。
本发明的第六方面,提供一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行如本发明第三方面所述的方法。
本发明的有益效果是:
本发明提供了一种预测肺癌免疫联合化疗效果的标志物,包括如下5种免疫细胞:CD3+CD56+NKT细胞、CD3-CD19+B细胞、CD3-CD56+NK细胞、CD4+CD45RA-T细胞、CD4+CD45RA+T细胞;优选地,通过检测5种免疫细胞的表达,并运用支持向量机(SVM)算法预测肺癌患者接受免疫联合化疗效果。通过ROC曲线可以看出,具有非常高的灵敏度和特异性,验证组的AUC值达到0.874,特异性为87.10%,灵敏性为83.02%,具有很好的预测效果以及应用价值。
附图说明
图1为流程图。
图2为通过RFE算法选择与MPR相关的免疫细胞。
图3为通过LASSO算法选择与MPR相关的免疫细胞。
图4为选取通过RFE和LASSO算法筛选出免疫细胞的交集。
图5为训练组ROC曲线。
图6为验证组ROC曲线。
具体实施方式
以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。
实施例1
1、研究流程
按照研究流程图(图1),收集非小细胞肺癌(NSCLC)患者空腹的全血样本,并在初始治疗前通过多色流式细胞术快速分析。外周免疫细胞和临床数据库的详细结果由研究医生保存。211例NSCLC患者接受了2-4个周期的联合化疗和抗PD-1/PD-L1的新辅助治疗,按照3:2的比例分为训练组127例和验证组84例。根据主要病理学反应(MPR)的评估,医生对肺癌患者进行了根治性手术。肿瘤组织的病理反应由资深病理学家仔细评估。
申请人接下来在两个队列中使用单变量分析分析了临床因素与MPR之间的关联。同时,通过递归特征消除(RFE)和最小绝对收缩和选择算子(LASSO)方法选择外周血免疫细胞。经过以上两种特征选择方法的交叉,最终得到的免疫细胞亚型得到进一步确认。然后,在两个队列中开发并验证了基于免疫细胞分析的支持向量机模型(LIP-SVM)。
2、对接受APDC的患者的MPR评估
MPR被定义为根据肺癌的特定组织学类型和特定治疗方式,将活肿瘤减少到临床定义的显着边缘。所有组织学类型的肺癌都具有组织学定义小于或等于活肿瘤的10%的MPR。通过将活肿瘤的大小除以肿瘤床的大小来计算MPR。目前,这是多项临床试验的门槛。病理报告记录了肿瘤床中肿块的总数,包括一些未受累的肺,即使这些肿块并不完全由肿瘤床组成。MPR也可归类为肺原发性,其中在淋巴结中发现很少或没有存活的转移癌(ypT0、N1、2、3)。
3、新辅助治疗实践
肺腺癌(LUAD)患者91例,术前接受叶酸、维生素B12和糖皮质激素的预处理,根据当地培美曲塞指南规定。所有患者均接受静脉注射顺铂(75mg/m2,d1)或卡铂(浓度时间曲线下,5mg/mL/min,d1)加培美曲塞(500mg/m2,d1),共2-4个周期。
肺鳞癌(LUSC)患者120例,术前接受顺铂(75mg/m2,d1)或卡铂(浓度时间曲线下,5mg/mL/min,d1)加白蛋白结合型紫杉醇(135mg/m2,d1,d8)静脉注射在2-4个周期内。
抗PD-1方案,包括Camrelizumab(3mg/kg,Q2W)、培美曲塞(500mg/m2,Q3W)、Nivolumab(3mg/kg,Q2W)、Toripalimab(3mg/kg,Q2W)、Tislelizumab(200mg/m2,Q3W)、Sintilimab(200mg,Q3W)和Durvalumab的抗PD-L1方案(10mg/kg,Q2W)均在每个化疗周期后进行注射。
LUAD和LUSC患者每3周接受一次化疗加抗PD-1/PD-L1方案。
4、外周血的免疫细胞定义和分析
本实施例中的四种循环免疫细胞包括T、B、自然杀伤(NK)和自然杀伤T(NKT)细胞。T细胞和B细胞分别由CD3表达(CD3+T细胞)和CD19表达(CD19+B细胞)定义。CD4和CD8的存在用于鉴定T淋巴细胞亚群(CD3+CD4+T细胞和CD3+CD8+T细胞)。记忆(CD4+CD45RO+)T细胞和CD4+幼稚(CD4+CD45RA+)T细胞由CD45RA和CD45RO识别。CD3和CD56的组合用于鉴定NK(CD3-CD56+细胞)和NKT(CD3+CD56+细胞)淋巴细胞亚群。CD38用于识别激活的CD8+T细胞(CD8+CD38+T细胞)。
抗体购自BD Biosciences(San Jose,California,USA):CD4-FITC(#550628)、CD3-FITC(#555332)、CD56-FITC(#55664)、CD8-FITC(#555366)、CD19-FITC(#555412)、CD45RO-APC(#559865)、CD45RA-PE(#555489)、CD38-PE(#555460)、FITC/APC/PE控制(#555748;#5555776;#55749)。
根据实验方案,淋巴细胞染色程序如下:用EDTA常规血液管(抗凝管)收集2ml外周血。将20μl CD3-FITC/CD56-PE、CD4-FITC/CD45RA-PE/CD45RO-APC、CD19-FITC、CD8-FITC/CD38-PE、FITC/PE/APC同种型对照分别加入五个流式细胞术管中,每个试管中分别加入100μl的外周血样本。每管与抗体混合,室温(20℃)避光孵育30分钟。然后在每管中加入2ml溶血剂(#70-LSB3,BD Biosciences)。5分钟后,通过离心(600×g)6分钟去除上清液,用磷酸盐缓冲盐水(PBS)(#SH300256,Hyclone)洗涤两次并悬浮在0.5ml 2%多聚甲醛中。用流式细胞术(Facs via,BD Biosciences)检查细胞。对于每个管,流式细胞计数在淋巴细胞门收集了2,000多个细胞。
CellQuest Pro软件(BD Biosciences)用于分析阳性标记淋巴细胞的百分比。染色程序在采血后24小时内完成并进行分析。
5、RFE和LASSO算法的特征选择
本实施例使用了两种特征选择方法。递归特征消除(RFE)通过递归减小检查特征集的大小来选择特征。首先,在原始特征上训练预测模型,并为每个特征分配一个权重。然后从特征集中递归删除具有最小绝对权重的特征,直到剩余特征的数量达到所需的特征数量。RFE中使用了随机森林函数和5倍交叉验证抽样。同时,我们使用最小绝对收缩和选择算子(LASSO)从发现集中选择最重要的免疫细胞。基于LASSO方法,对数部分似然主题被最小化为参数的绝对值之和,其受常数约束。在本研究中,标准化约束参数设置为-1.434,并选择了8个非零系数。RFE和LASSO使用“caret”R包执行。其中通过RFE方法筛选出6个免疫细胞类型(图2);通过LASSO方法筛选出8个免疫细胞类型(图3)。经过以上两种特征选择方法的交叉,最终得到的免疫细胞亚型得到进一步确认(图4)。
可以看出利用RFE和LASSO筛选5个免疫细胞类型:CD3+CD56+NKT cells、CD3-CD19+B cells、CD3-CD56+NK cells、CD4+CD45RA-T cells和CD4+CD45RA+T cells。
6、支持向量机(SVM)构建模型
SVM是机器学习的经典方法之一。它在肿瘤分类、预后和治疗反应预测方面具有重要价值。径向基函数(RBF)是SVM最流行的非线性分类核函数,通过将原始输入空间映射到特征空间,将原始非线性输入空间转化为线性可分性,可以显着提高SVM的分类能力空间并在特征空间中线性分类。公式如下:K(x,z)=exp(-γ||x-z||2)。
其中,x为输入的样本(即映射前的样本,属于输入空间X,一般为向量),z为特征空间H中与x对应的向量(即映射后的向量数据);γ为径向基函数的超参数,其中γ大于0;||x-z||表示向量的范数,即向量x与z的距离(即x与z的差值向量的模);exp为公知的含义,即以e为底,括号中内容表示指数。
调整参数最终设置为:sigma=0.035,C=100,cross=10。基于R软件(https://www.r-project.org/,版本3.5.1),“kernlab”库位于Windows环境中,具有2.6GHz IntelXeon处理器E5-2640V3 CPU、GPU NVIDIA GeForce RTX 3090和32GB RAM。
为了更容易直接进行计算,通过支持向量机(SVM)建立模型并部署到Web线上(https://pengjie.shinyapps.io/lipsvm/)。对5个免疫细胞类型基于R语言采用SVM算法建模型,最优截距值3.9以上治疗效果差(No-MPR),小于或者等于3.9效果好(MPR)。其中部署到Web线上可以供用户在需要时通过客户端很方便地调取,可以在不需要时降低客户端的内存或缓存压力,这只是其中一种实施方式,也可以部署到客户端。
7、模型效果验证
预测模型的训练组和验证组预测性能(包括灵敏度、特异性、准确度、AUC)结果见表1。训练组ROC曲线见图5;验证组ROC曲线见图6。
表1 SVM模型性能验证
从表1中可见,本实施例中的向量模型的训练组和验证组的AUC分别为0.886和0.874,两者非常接近,而且验证组中也具有很好的灵敏性和特异性,说明本实施例中的SVM模型预测模型具有高度特异性,可以很好地预测肺癌免疫联合化疗效果。
上述具体实施方式对本发明作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (9)
1.一种预测非小细胞肺癌抗PD-1/PD-L1联合化疗APDC治疗效果的标志物,其特征在于:包括如下5种免疫细胞:CD3+CD56+NKT细胞、CD3-CD19+B细胞、CD3-CD56+NK细胞、CD4+CD45RA-T细胞、CD4+CD45RA+T细胞。
2.根据权利要求1所述的标志物,其特征在于,通过检测权利要求1中所述的5种免疫细胞的表达,将所述免疫细胞的表达输入至通过支持向量机预先训练的疗效预测模型中预测免疫联合化疗效果。
3.根据权利要求2所述的标志物,其特征在于,所述支持向量机预先训练的疗效预测模型采用径向基函数作为核函数,所述径向基函数的表达式为:K(x,z)=exp(-γ||x-z||2);其中,x为输入的样本,z为特征空间H中与x对应的向量,γ为径向基函数的超参数,||x-z||表示向量的范数。
4.检测标志物的物质在制备预测非小细胞肺癌抗PD-1/PD-L1联合化疗APDC治疗效果产品中的应用,其特征在于,所述标志物如权利要求1~3任一项所述。
5.一种非小细胞肺癌免疫细胞数据处理方法,其特征在于,包括:
获取与非小细胞肺癌的MPR相关的免疫细胞数据;
对所述免疫细胞数据进行特征选择,得到关键免疫细胞的特征;
将关键免疫细胞的特征输入至通过支持向量机预先训练的疗效预测模型中预测免疫联合化疗效果;所述关键免疫细胞为权利要求1~3任一项所述的标志物。
6.根据权利要求5所述的方法,其特征在于,所述对所述免疫细胞数据进行特征选择,得到关键免疫细胞的特征,具体为:
采用RFE和LASSO算法对所述免疫细胞数据进行特征选择,得到关键免疫细胞的特征。
7.一种非小细胞肺癌免疫细胞数据处理系统,其特征在于,包括:
数据获取模块,用于获取非小细胞肺癌患者中与MPR相关免疫细胞数据;
免疫细胞数据选择模块,用于对所述免疫细胞数据进行特征选择,得到关键免疫细胞的特征;
预测模块,用于将关键免疫细胞的特征输入至通过支持向量机预先训练的疗效预测模型中预测免疫联合化疗效果;所述关键免疫细胞为权利要求1~3任一项所述的标志物。
8.一种非小细胞肺癌免疫细胞数据处理装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求5~6任一项所述的方法。
9.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求5~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424687.8A CN114220486B (zh) | 2021-11-26 | 2021-11-26 | 一种基于支持向量机的肺癌免疫联合化疗效果预测 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424687.8A CN114220486B (zh) | 2021-11-26 | 2021-11-26 | 一种基于支持向量机的肺癌免疫联合化疗效果预测 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114220486A CN114220486A (zh) | 2022-03-22 |
CN114220486B true CN114220486B (zh) | 2023-02-28 |
Family
ID=80698547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111424687.8A Active CN114220486B (zh) | 2021-11-26 | 2021-11-26 | 一种基于支持向量机的肺癌免疫联合化疗效果预测 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114220486B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114694745A (zh) * | 2022-03-24 | 2022-07-01 | 至本医疗科技(上海)有限公司 | 预测免疫疗效的方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111755073A (zh) * | 2020-05-31 | 2020-10-09 | 复旦大学 | 基于转录组的pd-1疗法治疗效果预测系统 |
CN112582028A (zh) * | 2020-12-30 | 2021-03-30 | 华南理工大学 | 一种肺癌预后预测模型、构建方法及装置 |
CN112885473A (zh) * | 2021-04-16 | 2021-06-01 | 杭州普罗亭医学检验实验室有限公司 | 一种高维免疫结合大数据和人工智能的泛疾病风险预测系统 |
CN113450920A (zh) * | 2021-06-25 | 2021-09-28 | 深圳裕泰抗原科技有限公司 | 一种非小细胞肺癌患者免疫治疗疗效预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210142904A1 (en) * | 2019-05-14 | 2021-05-13 | Tempus Labs, Inc. | Systems and methods for multi-label cancer classification |
-
2021
- 2021-11-26 CN CN202111424687.8A patent/CN114220486B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111755073A (zh) * | 2020-05-31 | 2020-10-09 | 复旦大学 | 基于转录组的pd-1疗法治疗效果预测系统 |
CN112582028A (zh) * | 2020-12-30 | 2021-03-30 | 华南理工大学 | 一种肺癌预后预测模型、构建方法及装置 |
CN112885473A (zh) * | 2021-04-16 | 2021-06-01 | 杭州普罗亭医学检验实验室有限公司 | 一种高维免疫结合大数据和人工智能的泛疾病风险预测系统 |
CN113450920A (zh) * | 2021-06-25 | 2021-09-28 | 深圳裕泰抗原科技有限公司 | 一种非小细胞肺癌患者免疫治疗疗效预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
Effect of chemoradiotherapy on the proportion of circulating lymphocyte subsets in patients with limited‑stage small cell lung cancer;Yamei Chen;《Cancer Immunology,Immunotherapy (2021)》;20210306;正文第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114220486A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jacobson et al. | A new staging system for multiple myeloma patients based on the Southwest Oncology Group (SWOG) experience | |
He et al. | Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker | |
Mei et al. | Prognostic impact of tumor-associated macrophage infiltration in non-small cell lung cancer: A systemic review and meta-analysis | |
Wu et al. | Combination of platelet to lymphocyte ratio and neutrophil to lymphocyte ratio is a useful prognostic factor in advanced non‐small cell lung cancer patients | |
Tan et al. | Prognostic value of Ki67 expression in HR-negative breast cancer before and after neoadjuvant chemotherapy | |
Agnes et al. | Ratio‐based staging systems are better than the 7th and 8th editions of the TNM in stratifying the prognosis of gastric cancer patients: A multicenter retrospective study | |
Raghavendra et al. | Mammographic breast density is associated with the development of contralateral breast cancer | |
Yang et al. | Preoperative neutrophil-to-lymphocyte ratio is a predictor of survival of epithelial ovarian cancer: a systematic review and meta-analysis of observational studies | |
Cheng et al. | The association of pretreatment thrombocytosis with prognosis and clinicopathological significance in cervical cancer: a systematic review and meta-analysis | |
CN114220486B (zh) | 一种基于支持向量机的肺癌免疫联合化疗效果预测 | |
Xie et al. | Percentage of natural killer (NK) cells in peripheral blood is associated with prognosis in patients with gastric cancer: a retrospective study from a single center | |
Fedele et al. | BMI variation increases recurrence risk in women with early-stage breast cancer | |
Choi et al. | Prediction model for hyperprogressive disease in non‐small cell lung cancer treated with immune checkpoint inhibitors | |
Jin et al. | PD-L1 and prognosis in patients with malignant pleural mesothelioma: a meta-analysis and bioinformatics study | |
Lopes et al. | Lowered cisplatin dose and no bleomycin in the treatment of pediatric germ cell tumors: results of the GCT-99 protocol from the Brazilian germ cell pediatric oncology cooperative group | |
Imanishi et al. | Programmed death‐ligand 1 (PD‐L1) expression in pleomorphic carcinoma of the lung | |
Wu et al. | Circulating tumor cells predict survival benefit from chemotherapy in patients with lung cancer | |
Sugai et al. | Impact of feature selection methods and subgroup factors on prognostic analysis with CT-based radiomics in non-small cell lung cancer patients | |
Park et al. | Importance of CT image normalization in radiomics analysis: prediction of 3-year recurrence-free survival in non-small cell lung cancer | |
Nematolahi et al. | A comparison of breast cancer survival among young, middle-aged, and elderly patients in southern Iran using Cox and empirical Bayesian additive hazard models | |
Ni et al. | The clinicopathological and prognostic value of programmed death-ligand 1 in colorectal cancer: a meta-analysis | |
CN106501516A (zh) | 一种用于胃癌术后预后和化疗敏感性评估的试剂和系统 | |
Li et al. | Thymic carcinoma patients with myasthenia gravis exhibit better prognoses | |
Chao et al. | Exploratory analysis using machine learning to predict for chest wall pain in patients with stage I non‐small‐cell lung cancer treated with stereotactic body radiation therapy | |
Zou et al. | Characterization of intratumoral tertiary lymphoid structures in pancreatic ductal adenocarcinoma: cellular properties and prognostic significance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |