开发一种深度学习模型,用于预测肝移植后肝细胞癌的复发情况
Seung Hyoung Ko1,2, Jie Cao1, Yong-Kang Yang1
1Department of Liver Surgery, Renji Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China.
Frontiers in medicine
|June 26, 2024
概括
使用TabNet的新深度学习模型超过了预测肝移植后肝细胞癌复发的米兰标准. 这种先进的模型提高了准确性,并更有效地识别高风险患者,以获得更好的移植后护理.
科学领域:
- 肝病学和移植外科手术
- 人工智能在医学中的应用
- 瘤学和癌症研究研究
背景情况:
- 肝移植 (LT) 是肝细胞癌 (HCC) 的首要治疗方案.
- 米兰标准虽然已经确立,但在准确预测LT后的HCC复发方面存在局限性.
- 需要改进的预测模型来指导治疗决策和患者管理.
研究的目的:
- 开发和验证一个深度学习模型,用于预测LT后HCC复发.
- 将拟议的深度学习模型的性能与米兰标准进行比较.
- 加强高风险HCC患者的鉴定,以进行量身定制的LT后管理.
主要方法:
- 分析了356名接受LT治疗的HCC患者队列.
- 使用TabNet的深度学习模型是使用培训 (n=286) 和验证 (n=70) 集构建的.
- 将TabNet模型的性能与米兰标准进行比较,使用准确度,AUC,NRI和危险比率等指标.
主要成果:
- 与米兰标准 (0.86,p < 0.05) 相比,基于TabNet的模型获得了更高的准确性 (0.95).
- 诸如较大的瘤大小 (>7厘米),瘤差异化和多个瘤等因素与高复发风险有关.
- 拟议的模型在AUC,NRI和危险比率方面表现出卓越的性能,证实了它的稳定性.
结论:
- 一个基于TabNet的新型预后模型有效地预测了HCC患者的LT后复发.
- 该模型准确识别高风险患者子组,使得更好的临床决策.
- 这种深度学习方法比HCC复发预测的传统标准有了显著的进步.
