一个深度学习模型,结合多模式因素,预测跨动脉化学栓塞的整体存活率
Zhongqi Sun1, Xin Li1, Hongwei Liang1
1Department of Radiology, the Second Affiliated Hospital of Harbin Medical University, Harbin, 150086, People's Republic of China.
Journal of hepatocellular carcinoma
|March 4, 2024
概括
一种新的深度学习模型有效地预测了经过过动脉化学栓塞 (TACE) 的肝细胞癌患者的整体存活率. 与传统方法相比,这种人工智能驱动的方法提供了更好的预后准确性.
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) 是一种主要的肝癌.
- 通过动脉化学栓塞 (TACE) 是一种常见的治疗不可切除的HCC.
- 准确预测整体存活率 (OS) 对于治疗规划和患者管理至关重要.
研究的目的:
- 开发和验证一种深度学习模型,用于预测TACE治疗的HCC患者的OS.
- 将深度学习模型的性能与传统预测方法进行比较.
主要方法:
- 一项回顾性研究包括301名接受TACE的HCC患者.
- 一个修改后的深度学习模型 (DLOPCombin) 整合了残余网络 (CT图像) 和临床因素 (COX回归) 的特征.
- 将DLOPCombin模型与其他模型进行比较:DLOPCTR (残留网络),DLOPCox (COX回归),Radiomic和临床模型.
主要成果:
- DLOPCombin模型表现出卓越的性能,在验证队列中实现了最高的依赖时间的曲线下的面积 (TD AUC) (0.96).
- 在TD AUC中,DLOPCombin显著优于Radiomic (0.63) 和临床模型 (0.62).
- 该模型显示,与DLOPCTR和DLOPCox相比,C指数有显著的改善,校准良好,净效益高.
- 具有DLOPCombin分数≤0.902的患者的生存期显著更长 (33个月与15.5个月相比).
结论:
- 深度学习模型可以有效地预测接受TACE治疗HCC的患者的整体生存率.
- 开发的DLOPCombin模型为HCC治疗中个性化预后提供了一个有前途的工具.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
