使用基于机器学习的放射学来预测肝细胞癌早期复发的术前预测

科学领域:

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

背景情况:

• 肝细胞癌 (HCC) 在治疗后复发是一个重大的临床挑战.
• 准确的手术前预测早期HCC复发对于及时干预和改善患者结果至关重要.
• 当前的预测方法可能会从先进的成像分析技术中受益.

研究的目的:

• 开发和验证基于对比增强计算机断层扫描 (CECT) 的放射学模型,用于预测早期HCC复发.
• 评估机器学习算法在识别与HCC复发相关的放射性特征方面的性能.
• 评估将放射学与临床因素相结合的附加值,以提高预测准确度.

主要方法:

• 追溯分析了297名HCC患者的队列,数据分为训练和测试集 (8:2比).
• 从CECT动脉和静脉相位图像中提取了放射性特征,使用手动细分后的pyradiomics平台.
• 一个机器学习模型被训练并使用包括精度,AUC,灵敏度和特异性在内的指标进行评估.

主要成果:

• 总共有1688个放射性特征从CECT图像中提取出来.
• 结合动脉和静脉相放射性特征以及临床因素的预测模型实现了最高的性能.
• 最好的模型显示AUC为0.8300 (95%CI为0.7560-0.9040),灵敏度为89.45%,特异性为79.07%,准确度为82.67%.

结论:

• 基于CECT的放射学显示出作为预测早期HCC复发的非侵入性方法的希望.
• 放射性特征和临床数据的整合显著提高了机器学习模型对HCC复发的预测性能.
• 这种方法可能有助于临床医生在手术前风险分层和个性化治疗计划为HCC患者.