准确预测个体患者的治疗反应对于患者的个性化药物治疗策略至关重要。鉴于放射成像的无创性，其通常通过测量治疗前后的肿瘤大小变化，以评估实体瘤的治疗反应。

由于治疗反应模式的复杂性和异质性，因此这种简单的影像学方法并不总能准确的评估潜在的生物学反应。因此急需探究可靠的肿瘤反应预测方法。

在该研究中，研究人员提出了一种多任务的深度学习方法，该方法能够同时预测肿瘤分割和反应。研究人员设计了两个多层连接的Siamese子网络，以集成多尺度表征，并对处理前和处理后的图像进行深入比较。

研究流程和研究设计

该网络对321位直肠癌患者的2568次核磁共振成像扫描进行了训练，以预测新辅助放化疗后的病理完全反应。结果显示，基于影像学的模型在两个分别由160名和141名患者组成的独立队列中分别获得了0.95和0.92的AUC（ROC曲线下的面积）。当与基于血液的肿瘤标志物结合使用时，该综合模型表现出了0.97的AUC值，并进一步提高了预测的准确性。

治疗响应预测网络模型

总而言之，该研究结果揭示，通过在纵向图像中捕获动态信息的方法可以广泛用于实体瘤患者的筛查、治疗反应的评估、疾病的监测。

原始出处：

Jin, C., Yu, H., Ke, J. et al. Predicting treatment response from longitudinal images using multi-task deep learning. Nat Commun 12, 1851 (25 March 2021).