使用机器学习对肝细胞癌患者进行自动分级预后评估

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 准确的死亡风险量化对于肝细胞癌 (HCC) 管理至关重要.
• 目前的HCC评分系统往往依赖于主观的评估.

研究的目的:

• 开发和验证用于预测HCC患者死亡风险的机器学习 (ML) 模型.
• 使用基线MRI的标准临床数据和肝脏放射学来预测风险.

主要方法:

• 555名HCC患者的回顾性研究,在诊断时使用多相对照增强型MRI.
• 自动肝脏细分用于放射性特征提取.
• 随机生存森林模型结合了临床和放射性变量来预测整体生存率 (OS).

主要成果:

• ML模型实现了高性能,C指数为0.8503 (开发) 和0.8234 (验证).
• 该模型显著优于传统的临床分期系统.
• 预测的风险分数与OS有很强的关联 (p < .00001).

结论:

• 机器学习为HCC死亡风险预测提供了一种可靠,快速和可重复的方法.
• 使用常规临床数据和MRI放射学进行自动化风险预测,可实现个性化后续和管理.
• 该模型有效地将患者分为不同的风险组,具有显著不同的生存结果.