基于深度学习模型的肝细胞癌的微血管入侵和病理差异化的预测

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 肝细胞癌 (HCC) 诊断依赖于侵入性方法.
• 预测微血管入侵 (MVI) 和瘤分化对于治疗规划至关重要.
• 目前的成像技术在非侵入性评估这些HCC特征方面存在局限性.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于预测MVI和HCC的病理差异化.
• 为了利用术前对比增强计算机断层扫描 (CECT) 图像进行非侵入性预测.
• 将临床参数与成像数据相结合,以提高预测准确度.

主要方法:

• 追溯分析640名HCC患者的CET图像和临床数据.
• 开发一个3D的U-Net细分模型来提取肝脏感兴趣的区域 (ROI).
• 建立基于Swin变压器的DL分类模型,包括结合图像和临床数据的融合模型.

主要成果:

• 肝脏细分模型实现了高性能,mIoU为0.9120,Dice得分为0.9473.
• 融合DL模型整合了CET图像和临床参数,显示出卓越的预测性能.
• 聚变模型在MVI预测中获得了0.941的AUC,在预测HCC差异化中获得了高AUC (0.957-0.996).

结论:

• 开发的DL模型为预测HCC MVI和差异化提供了一种非侵入性和有效的方法.
• 这些人工智能工具可以显著帮助临床医生做出对HCC诊断和治疗的明智决策.
• 该研究强调了人工智能在改善瘤患者管理方面的潜力.