基于对比度增强的CT参数的可解释机器学习模型,用于预测肝细胞癌患者对常规跨动脉化学栓塞的治疗反应

科学领域:

• 放射学和成像学 放射学和成像学
• 在瘤学瘤学.
• 机器学习在医学中的应用

背景情况:

• 中期肝细胞癌 (HCC) 需要有效的第一线治疗.
• 传统的跨动脉化学栓塞 (cTACE) 是中期HCC的标准治疗方法.
• 预测对cTACE的治疗反应对于优化患者结果至关重要.

研究的目的:

• 评估治疗前计算机断层扫描 (CT) 参数,以预测中期HCC中cTACE反应.
• 开发一种可解释的机器学习模型,用于预测治疗反应.
• 确定最有可能从cTACE中受益的患者,以避免无效的治疗.

主要方法:

• 对367名接受cTACE治疗的中期HCC患者的回顾性分析.
• 从多相对比增强CT计算动脉 (AER),门静脉 (PER) 和动脉门静脉 (APR) 增强比率.
• 机器学习模型的开发和验证,包括随机森林 (RF) 模型,使用CT参数和临床变量.
• 使用沙普利增量解释 (SHAP) 解释表现最好的模型.

主要成果:

• 确定了诸如瘤大小和ECOG状态等临床预测因素.
• 整合CT参数显著改善了预测性能 (净重新分类指数=0.318).
• 在外部验证数据集上,RF组合模型在外部验证数据集上实现了0.800的AUC,并证明了显著的生存分层.

结论:

• 开发的RF组合模型是一个强大的和可解释的工具,用于预测中期HCC中cTACE反应.
• 这种模型可以帮助选择适合cTACE的患者,并可能使其他人免受不必要或无效的治疗.
• 改善患者选择可以导致更好的资源配置和治疗效率.