使用基于CT和MRI的多式深度学习模型预测肝细胞癌的微血管入侵
Yan Lei1,2, Bao Feng3, Meiqi Wan1,2
1Department of Radiology, Jiangmen Central Hospital, 23 Beijie Haibang Street, Jiangmen, People's Republic of China.
Abdominal radiology (New York)
|March 3, 2024
概括
使用CT和MRI的多式深度学习 (MDL) 模型有效预测肝细胞癌 (HCC) 中的微血管入侵 (MVI). 这种非侵入性方法显示出与单一模式模型和单独的临床特征相比,性能优越.
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) 是全球癌症相关死亡的主要原因.
- 微血管侵袭 (MVI) 是HCC的关键预后因素,影响治疗决策和患者的结果.
- 准确的MVI手术前预测仍然是传统方法的挑战.
研究的目的:
- 评估综合计算机断层扫描 (CT) 和磁共振成像 (MRI) 的多模式深度学习 (MDL) 模型的有效性,以预测HCC中MVI.
- 将MDL模型的预测性能与单模深度学习模型和临床因素进行比较.
主要方法:
- 使用来自235名HCC患者的CT和MRI数据开发单模深度学习模型.
- 构建一个MDL模型,将转移学习 (TL) 与DenseNet121的特征以及极端学习机器 (ELM) 分类器结合起来.
- 验证MDL模型在110名HCC患者的单独队列上,同时提供CT和MRI数据.
主要成果:
- 与单一模式深度学习模型 (AUC从0.722到0.731) 和临床特征 (AUC=0.648) 相比,MDL模型实现了0.844的曲线下的优越面积 (AUC).
- MDL模型的性能超过了单个CT和MRI模型的性能,证明了其增强的预测能力.
- 将MDL模型与临床特征相结合,进一步提高了其预测准确性 (AUC=0.871),并将深度学习特征纳入的名图显示出显著的临床实用性.
结论:
- 开发的MDL模型作为一种有价值的非侵入性工具,用于在HCC中进行MVI的术前预测.
- 通过深度学习整合多图像数据显著提高了HCC中MVI预测的准确性.
- 该MDL模型有望改善风险分层和指导HCC患者的治疗策略.
