基于全肝的深度学习,用于在手术前预测肝细胞癌患者的整体存活率

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 准确的生存预测对于指导肝细胞癌 (HCC) 治疗决策至关重要.
• 当前的预测模型往往侧重于瘤特定的特征,可能会忽视更广泛的肝脏信息.

研究的目的:

• 开发和验证一个全自动化的人工智能系统 (FAIS),用于预测HCC患者的整体存活率.
• 与基于瘤或临床模型相比,评估全肝放射学方法的疗效.

主要方法:

• 分析了215名HCC患者的队列,这些患者在手术前进行了对比度增强的CT成像.
• 使用卷积层和完全连接层的FAIS在全肝CT数据上使用Cox回归损失进行训练.
• 性能与使用临床和/或基于瘤的放射性特征的模型进行了比较.

主要成果:

• 在开发组中,FAIS实现了0.81的C指数,在测试组中达到0.72.
• 基于整体肝脏的FAIS与所有其他评估模型相比,显示出优异的预测性能.
• 这表明与生存相关的重要信息存在于整个肝脏中,而不仅仅是瘤.

结论:

• 使用人工智能的全肝分析可以为HCC的生存预测提供更全面的信息.
• 开发的FAIS作为一种非侵入性和有效的工具,用于预先预测HCC患者的手术前整体生存率.
• 这种方法有望改善HCC管理中的个性化治疗策略.