ImmunoDiff: A Diffusion Model for Immunotherapy Response Prediction in Lung Cancer

要約

非小細胞肺癌（NSCLC）における免疫療法反応を正確に予測することは、依然として満たされていない重要なニーズです。
既存の放射線と深い学習ベースの予測モデルは、主に治療前のイメージングに依存してカテゴリの反応結果を予測し、免疫療法によって誘発される複雑な形態学的およびテクスチャー変換を捕捉する能力を制限します。
この研究では、臨床的に関連する制約を組み込んでいる間、ベースラインイメージングからの治療後のCTスキャンを合成するように設計された解剖学的認識拡散モデルであるImmunodiffを紹介します。
提案されたフレームワークは、CT合成の忠実度を高めるために、解剖学的前層、特にロバーおよび血管構造を統合します。
さらに、生成プロセスを改良するために、画像と臨床データの埋め込みのペアワイズ整合性マルチモーダル統合を保証するコンディショニングモジュールである新しいCBI-Adapterを紹介します。
さらに、臨床可変条件付けメカニズムが導入され、人口統計データ、血液ベースのバイオマーカー、およびPD-L1発現を活用して、生成プロセスを改良します。
免疫チェックポイント阻害剤で治療された社内のNSCLCコホートの評価は、応答予測のバランスの良い精度の21.24％の改善と、生存予測のCインデックスの0.03増加を示しています。
コードはまもなくリリースされます。

要約(オリジナル)

Accurately predicting immunotherapy response in Non-Small Cell Lung Cancer (NSCLC) remains a critical unmet need. Existing radiomics and deep learning-based predictive models rely primarily on pre-treatment imaging to predict categorical response outcomes, limiting their ability to capture the complex morphological and textural transformations induced by immunotherapy. This study introduces ImmunoDiff, an anatomy-aware diffusion model designed to synthesize post-treatment CT scans from baseline imaging while incorporating clinically relevant constraints. The proposed framework integrates anatomical priors, specifically lobar and vascular structures, to enhance fidelity in CT synthesis. Additionally, we introduce a novel cbi-Adapter, a conditioning module that ensures pairwise-consistent multimodal integration of imaging and clinical data embeddings, to refine the generative process. Additionally, a clinical variable conditioning mechanism is introduced, leveraging demographic data, blood-based biomarkers, and PD-L1 expression to refine the generative process. Evaluations on an in-house NSCLC cohort treated with immune checkpoint inhibitors demonstrate a 21.24% improvement in balanced accuracy for response prediction and a 0.03 increase in c-index for survival prediction. Code will be released soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google