使用深度学习挖掘全肝信息,以进行手术前预测HCC无复发生存

科学领域:

• 肝细胞癌 (HCC) 研究研究
• 医学成像分析 医学成像分析
• 在瘤学中使用人工智能

背景情况:

• 肝细胞癌 (HCC) 是全球癌症死亡的主要原因.
• 在手术前非侵入性预测无复发生存率 (RFS) 是至关重要的,但具有挑战性.
• 现有的模型往往忽视了整体肝脏健康的影响,只关注瘤区域.

研究的目的:

• 开发一个名为RFSNet的新型卷积神经网络 (CNN).
• 利用来自对比增强计算机断层扫描 (CECT) 的全肝信息来预测HCC患者切除后的RFS.
• 为了比较整个肝脏分析的性能与仅针对瘤和基于临床特征的模型.

主要方法:

• 一个CNN (RFSNet) 的设计是为了从CECT扫描中处理整个肝脏区域.
• 考克斯的比例危险损失被用于模型培训.
• 分析了215名接受肝切除的HCC患者队列,数据分为开发和测试子队列.

主要成果:

• RFSNet实现了高性能,在开发子队列中一致性指数 (CI) 为0.88,在测试子队列中为0.65.
• 纳入临床特征并没有提高RFSNet的预测准确性.
• 与瘤特异性特征和临床指标相比,全肝方法显示出更高的预后价值.

结论:

• RFSNet模型有效地利用来自CECT的全肝信息来预测HCC RFS.
• 与传统的瘤专注或临床模型相比,这种全肝CNN方法提供了更全面,更准确的预后方法.
• RFSNet显示了改善HCC管理中的非侵入性手术前风险分层的前景.