基于对比增强的MRI的深度学习模型,用于预测肝细胞癌患者手术后的生存率
Lidi Ma1, Congrui Li2, Haixia Li3
1Department of Radiology, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-Sen University Cancer Center, Guangzhou, 510060, PR China.
Heliyon
|June 13, 2024
概括
使用对比度增强的MRI数据的深度学习模型准确地预测了手术后肝细胞癌 (HCC) 患者的整体存活率. 将深度学习得分与临床因素相结合,进一步提高了预测准确度,从而更好地做出治疗决策.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 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,具有显著的死亡率.
- 准确预测手术后整体存活率 (OS) 对于指导HCC患者的治疗决策至关重要.
- 当前的预后模型可能无法充分利用医学成像数据中可用的信息.
研究的目的:
- 开发和验证使用对比增强磁共振成像 (MRI) 来预测手术切除HCC患者的OS的深度学习模型.
- 将深度学习模型的预测性能与传统的临床模型和综合方法进行比较.
主要方法:
- 一项回顾性研究涉及564名接受手术切除的HCC患者.
- 一个三维卷积神经网络 (3D-CNN) ResNet在预治疗MRI (T1WIpre,动脉和门静脉阶段) 上受过训练,以生成深度学习得分 (DL得分).
- 考克斯回归模型是使用DL得分,临床特征或其组合构建的,性能通过一致性指数 (C指数) 进行评估.
主要成果:
- 与临床模型 (培训:0.675,测试:0.674,外部验证:0.631) 相比,3D-CNN模型实现了更高的C指数,用于5年OS预测 (培训:0.746,测试:0.714,外部验证:0.698).
- 组合模型在测试 (C指数:0.750) 和外部验证 (C指数:0.723) 队列中显示出卓越的预测性能.
- 组合模型在外部验证中显示了比临床模型和3D-CNN模型的统计学上显著的改进.
结论:
- 集成MRI和临床因素的DL得分的深度学习模型为HCC患者的术后OS提供了卓越的预测价值.
- 这种综合方法有可能增强临床决策和改善患者预后.
- 对比度增强型MRI的深度学习分析对个性化HCC管理具有前景.
