一、文章概述

这项研究旨在探索深度学习在胸部CT扫描图像上的应用，以衍生出对免疫检查点抑制剂反应的影像学特征，并评估其在临床环境中的附加价值。研究纳入了976名转移性、EGFR/ALK阴性NSCLC患者，这些患者在2014年1月1日至2020年2月29日期间在MD Anderson和Stanford接受了免疫检查点抑制剂治疗。研究构建并测试了一个基于预处理CT的集成深度学习模型（Deep-CT），用于预测免疫检查点抑制剂治疗后的总生存期和无进展生存期。

研究发现，Deep-CT模型在MD Anderson测试集上展示了强大的患者生存分层能力，并在Stanford外部集上得到了验证。Deep-CT模型的性能在按PD-L1、组织学、年龄、性别和种族分层的亚组分析中仍然显著。在单变量分析中，Deep-CT超越了传统风险因素，并在多变量调整后仍然是独立预测因子。将Deep-CT模型与传统风险因素整合，显著提高了预测性能，总生存期C指数从临床模型的0.70提高到复合模型的0.75。研究表明，通过深度学习自动分析影像扫描可以提供独立于现有临床病理生物标志物的信息，为NSCLC患者实现精准免疫治疗的目标更近一步

二、研究设计

1. 方法：

• 这项回顾性建模研究纳入了976名在MD Anderson和Stanford接受免疫检查点抑制剂治疗的转移性、EGFR/ALK野生型NSCLC患者。

• 研究构建并测试了一个基于预处理CT的集成深度学习模型（Deep-CT），以预测免疫检查点抑制剂治疗后的总生存期和无进展生存期。Deep-CT模型采用了集成学习方法，结合了四种不同的三维卷积神经网络（CNN）架构，以增强模型的泛化能力。这些子网络包括一个监督学习网络、两个结合监督学习和无监督学习的不同混合网络，以及一个无监督学习网络。

• 同时评估了Deep-CT模型在现有临床病理和影像学指标中的预测附加值。

2. 发现：

• Deep-CT模型在MD Anderson测试集上展示了强大的患者生存分层能力，并在Stanford外部集上得到了验证。

• Deep-CT模型的性能在按PD-L1、组织学、年龄、性别和种族分层的亚组分析中仍然显著。

• 在单变量分析中，Deep-CT超越了传统风险因素（包括组织学、吸烟状态和PD-L1表达）并在多变量调整后仍然是独立预测因子。

• 将Deep-CT模型与传统风险因素整合，显著提高了预测性能，总生存期C指数从临床模型的0.70提高到复合模型的0.75。

三、结果分析

Figure 2:

• 展示了MD Anderson队列的Kaplan-Meier生存曲线，包括训练、验证和测试队列的整体生存和无进展生存。

• 还包括了斯坦福外部验证队列的生存曲线。

• 展示了根据Deep-CT模型和PD-L1表达水平联合分层的患者在接受免疫检查点抑制剂单药治疗和联合治疗的Kaplan-Meier生存曲线。

Figure 3:

• 使用文氏图表示与四个单独的子网络模型及其集成模型显著相关的特征数量，包括正相关和负相关特征。

• 展示了不同预后信息的可视化，这些信息由集成Deep-CT在选定的四名患者上捕获，展示了影像组学特征分数分布。

Figure 4:

• 森林图总结了Deep-CT在整体生存和无进展生存的单变量和多变量分析中的表现。

• 蓝色数据点来自单变量分析，红色数据点来自多变量分析。

Figure 5:

• 展示了通过Deep-CT模型和基准模型联合分层的Kaplan-Meier生存曲线，包括训练、验证和测试队列的整体生存和无进展生存。

• 还包括了将Deep-CT模型和基准模型整合后的复合模型的生存曲线。

Figure 6:

• 比较了六种不同预测模型（PD-L1、整体疾病体积、影像组学模型、Deep-CT、基准模型和复合模型）在整体生存和无进展生存中的C指数。

• 比较是在包含PD-L1表达的重叠人群的较小队列上进行的。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】