双能量CT深度学习放射学预测巨型瘤-巨型肝细胞癌
Mengsi Li1, Yaheng Fan1, Huayu You1
1From the Departments of Radiology (M. Li, C.L., A.L., L.Z., Jinhui Zhou, D.Z., H.C., Y.X., J.W.) and Pathology (Jing Zhou), The Third Affiliated Hospital, Sun Yat-Sen University, No. 600 Tianhe Rd, Guangzhou, Guangdong, 510630, People's Republic of China; Medical AI Laboratory, School of Biomedical Engineering, Medical School, Shenzhen University, Shenzhen, People's Republic of China (Y.F., B.H.); Department of Radiology, The First Affiliated Hospital, Sun Yat-Sen University, Guangzhou, Guangdong, People's Republic of China (H.Y.); Department of Radiology, Sun Yat-Sen University Cancer Center, Guangzhou, People's Republic of China (M. Luo); and Department of Clinical Science, Philips Healthcare China, Shanghai, People's Republic of China (X.Y., W.D., Z.Z.).
多参数双能CT (DECT) 具有深度学习放射学名图,准确地预测了肝细胞癌 (HCC) 的攻击性巨型巨型 (MTM) 亚型. 这种先进的成像方法改善了MTM HCC的非侵入性诊断和预后评估.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 肝细胞癌 (HCC) 的侵袭性巨细胞巨细胞 (MTM) 亚型需要准确的非侵入性诊断.
- 多参数双能CT (DECT) 用于预测MTM HCC的附加值仍然不清楚.
研究的目的:
- 评估双相对比增强多参数DECT在预测MTM HCC的诊断性能.
- 为了比较深度学习 (DL) 放射学名图的诊断准确度与临床放射学模型.
主要方法:
- 在三个中心对262名经过对比增强DECT的HCC患者进行了回顾性分析.
- 使用虚拟单能和材料组成图像的特征开发DL放射学模型.
- 创建DL放射学名录图并使用接收器运行特征曲线 (AUC) 下的面积进行评估.
主要成果:
- 与临床放射学模型相比,DL放射学名图在预测MTM HCC方面表现优越,跨训练和外部测试数据集 (AUC范围从0.87到0.91而不是0.72到0.79) 的临床放射学模型.
- 在外部测试套件中,名录实现了更高的特异性 (90%).
- 预测的MTM HCC组显示了明显较短的无复发生存期.
结论:
- 从多参数DECT衍生出的DL放射学名图可以准确预测HCC患者的MTM亚型.
- 这种方法增强了MTM HCC的非侵入性诊断能力.
- 诺米图还提供了关于无复发生存期的预后信息.
更多相关视频
09:49Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization
Published on: December 2, 2013
07:47Non-Invasive PET/MR Imaging in an Orthotopic Mouse Model of Hepatocellular Carcinoma
Published on: August 31, 2022
