磁共振深度学习放射学模型基于明显的转移性血管模式,用于评估肝细胞癌的无复发生存率
Cheng Zhang1, Li-di Ma1, Xiao-Lan Zhang2
1Department of Radiology, Sun Yat-sen University Cancer Center, Guangzhou, China.
Journal of magnetic resonance imaging : JMRI
|October 27, 2023
概括
一个新的深度学习模型,结合了像VETC和MVI这样的血管模式,可以预测切除后肝细胞癌 (HCC) 患者的无复发生存率.
科学领域:
- 肝胆道恶性瘤 肝胆道恶性瘤
- 医疗成像医学成像
- 机器学习在瘤学中的应用
背景情况:
- 肝细胞癌 (HCC) 的转移包括微血管入侵 (MVI) 和血管封装瘤集群 (VETC).
- 现有的放射学研究主要侧重于预测VETC状态,不太强调其与MVI的综合预后价值.
研究的目的:
- 开发和比较HCC患者无复发生存期 (RFS) 的预测模型.
- 评估临床,放射学和深度学习模型,将VETC和MVI纳入RFS预测.
主要方法:
- 对398名接受切除的HCC患者的回顾性分析,分为训练 (n=358) 和测试 (n=40) 队列.
- 使用MRI数据 (T1WI,T2WI,对比增强阶段) 和临床因素 (VETC,MVI,巴塞罗那阶段,瘤直径,AFP) 的临床,放射学和深度学习模型的开发.
- 统计分析包括COX回归,LASSO,Kaplan-Meier曲线和C指数用于模型性能评估.
主要成果:
- 深度学习模型在测试队列中实现了最高的预测性能,C指数为0.830.
- 性能比较显示,深度学习模型的表现优于临床放射性名图 (0.731),放射性签名 (0.707) 和临床模型 (0.702).
- 所有患者的平均RFS为26.77个月.
结论:
- 集成VETC和MVI的磁共振 (MR) 深度学习模型为评估HCC患者的生存结果提供了有价值的工具.
- 这种方法有可能提高预后准确性,并指导HCC管理的临床决策.
