基于变压器的微血管侵袭分类器在射频废除后提高了HCC的预后分层,从而提高了HCC的预后分层

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 肝细胞癌研究 肝细胞癌研究

背景情况:

• 肝细胞癌 (HCC) 是一个重大的全球健康挑战.
• 准确的预后分层对于优化治疗策略至关重要,HCC患者接受射频废除 (RFA).
• 微血管入侵 (MVI) 是HCC中复发和生存率低下的关键预测因素.

研究的目的:

• 开发和验证基于变压器的深度学习 (DL) 网络,用于在接受RFA的HCC患者的预后分层.
• 建立多相磁共振成像 (MRI) 和MVI之间的关联.
• 用DL网络作为MVI分类器来预测患者的结果.

主要方法:

• 在696名手术切除 (SR) HCC患者的MRI数据集上训练了一个Swin变压器DL网络,以预测MVI.
• 在180名患者的外部队列中验证了DL网络.
• 从DL衍生的MVI风险评分被用于将RFA患者 (n=180) 分类为高风险和低风险组.

主要成果:

• 在预测MVI方面,MVI分类器表现出很高的性能 (AUC=0.938培训,0.883验证).
• 被归类为MVI高风险的RFA患者的无复发存活率 (RFS) 和整体存活率显著降低.
• 多变量分析确定高MVI风险是复发的最强有力的预测因素 (HR=3.76),除了高的α-fetoprotein和不利的瘤位置.

结论:

• 开发的MVI分类器,基于MRI的DL分析,是一种有价值的成像生物标志物.
• 这种工具可以为接受RFA的早期HCC患者进行有效的预后分层.
• 改进的风险评估可以指导临床决策,并可能改善患者的治疗结果.