肝细胞癌中微血管入侵的临床预测,使用基于MRI的图形卷积网络模型,与名图集成

科学领域:

• 放射学 放射学是指放射学
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 微血管入侵 (MVI) 是肝细胞癌 (HCC) 的关键预后因素.
• 准确预测MVI对于指导HCC患者的治疗决策至关重要.
• 增强型MRI提供了非侵入性MVI评估的潜力.

研究的目的:

• 开发和验证HCC中MVI的预测模型.
• 将图形卷积网络 (GCN) 特性与临床和放射学数据集成.
• 为预测HCC中MVI风险建立一个名图.

主要方法:

• 追溯分析182名HCC患者的增强型核磁共振.
• 从动脉,门静脉和延迟阶段提取放射性特征.
• 开发GCN模型以识别显著特征并生成GCN评分 (GS).
• 构建一个将GS,临床和放射学因素结合在一起的名图.

主要成果:

• GCN模型表现出高的预测性能,特别是使用延迟相 (DP) 成像.
• 结合GS和特定放射性特征的最终名图,实现了0.884.8的C指数.
• 内动脉的存在被确定为MVI的独立预测因子.

结论:

• 基于GCN的模型显示了预测HCC中MVI的显著潜力.
• 开发的名图表是指导HCC治疗选择的简单而有效的工具.
• 增强型MRI与GCN分析相结合,为HCC中MVI预测提供了一个有希望的方法.