将深度学习模型与临床数据相结合,可以更好地预测肝细胞癌在手术后的行为

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 肝细胞癌 (HCC) 是全球流行的一种癌症.
• 手术后瘤复发显著影响HCC患者的死亡率.
• 预测手术后的结果仍然是HCC管理中的一个关键挑战.

研究的目的:

• 开发和验证人工智能 (AI) 模型,用于预测HCC复发和存活率.
• 评估综合临床和深度学习模型对HCC患者结果的性能.
• 为了比较基于AI的模型与传统的临床模型的预测能力.

主要方法:

• 收集了469名HCC患者的全幻灯片H&E图像,临床变量和随访数据 (300例移植,169例切除).
• 在H&E图像上训练了一个深度学习模型,以预测无复发生存率 (RFS) 和疾病特异性生存率 (DSS).
• 使用重复交叉验证验证模型,并将其与使用临床变量的Cox比例危险模型进行了验证.

主要成果:

• 仅仅深度学习模型就显示了HCC患者复发和生存的预测能力.
• 将临床数据与深度学习模型集成,显著提高了预测准确性 (C指数).
• 结合的临床和深度学习模型在预测所有子组的术后结果方面超过了个别方法.

结论:

• 由人工智能驱动的方法,特别是与临床数据相结合时,可以提高HCC复发和手术后生存率的预测.
• 这种跨学科模型为接受切除或移植的HCC患者的预后评估提供了更强大的工具.
• 这些发现表明,人工智能在个性化瘤学和手术结果预测方面具有前景.