研究人員報告說，基於術前CT圖像信號的深度學習可以預測胃癌患者的生存率和輔助化療的獲益。
加利福尼亞史丹福大學史丹福大學醫學院的研究人員指出：診斷性CT掃描的深度學習分析可以揭示微妙的圖像特徵，這些特徵反映出與腫瘤進展和治療反應有關的潛在疾病生物學。
對於某些具有高風險特徵的II期胃癌患者和III期患者，建議進行輔助化療，但是標準的臨床病理風險因素不能始終如一地預測個體結局。
研究人員使用了1615例胃癌切除術患者的數據來開發和驗證基於深度學習的CT信號（DeLIS），以預測無病生存期（DFS）和總體生存期（OS）。他們評估了信號是否可以識別出最有可能從術後輔助化療中受益的患者。
研究小組在《外科年鑑》中報告說，在最佳臨界評分下，低CT信號的患者死亡率降低了85％，進展風險降低了78％（通過無病生存期測量）。
高CT信號患者的五年總體生存期和無病生存期率分別為30.4％和24.0％，而低CT信號患者的五年總體生存期和無病生存期率分別為66.1％和61.2％。
與單獨的臨床病理危險因素相比，將CT信號與四種臨床病理危險因素整合在一起可以顯著改善無病生存期和總體生存期的預測。
在傾向評分匹配分析中，在高CT信號組中，II期和III期疾病的輔助化療與無病生存期的顯著改善相關。但是，對於低CT信號組的II期或III期疾病，輔助化療對無病生存期均無影響。
在中度CT信號組中，II期疾病患者無法從輔助化療中受益，而III期患者則受益。
影像學特徵是對已建立的臨床病理風險因素（如疾病階段）的補充。他們的組合改善了預後預測，並可以更好地選擇將從輔助化療中受益的高風險患者。
成像信號（來自GE掃描儀）已在來自亞洲兩家大型醫療機構的患者中得到驗證。它在西方人群或其他類型的CT掃描儀上的表現還有待觀察。將其臨床用於治療選擇將需要在隨機對照試驗中進行前瞻性驗證。