基于放射学模型的开发,以预测肝移植接受者的移植纤维化:试点研究

科学领域:

• 放射学 放射学是一门学科.
• 移植肝病学 移植肝病学
• 人工智能在医学中的应用

背景情况:

• 肝移植是一种拯救生命的手术,但复发性移植纤维化会影响相当一部分接受者 (40%).
• 早期识别患有纤维化风险的患者对于及时干预和改善长期结果至关重要.
• 现有的预测模型往往缺乏细粒度以捕捉复杂的病理生理变化.

研究的目的:

• 评估结合临床和放射性特征在预测肝移植后出现显著 (≥F2) 移植纤维化风险方面的有效性.
• 在纤维化预测中,评估放射性特征与单独临床因素的增量值.

主要方法:

• 在移植后3-6个月,对254名肝移植接受者的CT扫描进行了回顾性分析.
• 使用基于AI的工具 (PyRadiomics) 从门阶段CT图像中提取体积放射性特征.
• 开发一个经过十倍交叉验证的LASSO模型,包含显著移植纤维化 (≥F2) 的临床和放射性预测因素.

主要成果:

• 29.5%的患者在19个月的中位数内发展了≥F2纤维化.
• 预测因素包括最大肝衰减 (静脉阶段),初级病因,捐赠者/接受者的年龄,疾病复发,捐赠者类型,塔克罗利斯的使用和APRI得分.
• 组合模型的AUC达到0.811,超过了仅临床模型 (AUC0.793) 和仅放射学模型 (AUC0.664).

结论:

• 放射性特征与临床数据的整合显著提高了肝移植后未来移植纤维化的预测.
• 这项试点研究强调了人工智能驱动的放射学作为一种有价值的工具,用于移植接受者的风险分层的潜力.
• 需要进一步的研究来验证和概括这种实验方法在更大,更多样化的队列中.