一种新的放射学方法用于预测肝细胞癌患者的TACE结果,使用深度学习来进行多器官细分
Krzysztof Bartnik1, Mateusz Krzyziński2, Tomasz Bartczak2
1Second Department of Radiology, Medical University of Warsaw, Banacha 1a st., 02-097, Warsaw, Poland. krzysztof.bartnik@wum.edu.pl.
Scientific reports
|June 26, 2024
概括
这项研究引入了一种自动化放射学方法,用于预测经过跨动脉化学栓塞 (TACE) 的肝细胞癌 (HCC) 患者的结果. 这种新的方法,在CT扫描上使用深度学习,在预测传统临床模型之外的治疗成功方面显示出前景.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 超动脉化血栓化 (TACE) 是不可切除的肝细胞癌 (HCC) 的标准.
- 由于多因素的影响,预测TACE的长期结果具有挑战性.
- 目前的放射学模型通常依赖于瘤区域的手动细分.
研究的目的:
- 开发和评估一种新的机器学习方法,使用放射学来预测HCC患者的TACE结果.
- 与临床预测器相比,评估自动化放射学模型的性能.
- 研究非瘤区域在结果预测中的重要性.
主要方法:
- 一个完全自动化的,基于深度学习的放射学模型被应用于252名HCC患者的TACECT前CT图像.
- 从多个感兴趣的器官体积 (VOI) 中提取了放射性特征,包括非瘤区域.
- 随机生存森林模型被训练并与使用临床数据的Cox比例危险模型进行比较.
主要成果:
- 放射学模型表现出与临床模型可比的性能,用于总体生存预测.
- 放射学模型在预测无进展生存方面明显优于临床模型.
- 可解释的AI分析揭示了非瘤VOI特征的关键重要性,超过了瘤特征的预测价值.
结论:
- 对多个VOI的自动化放射学分析提供了一种可靠的方法来预测HCC中TACE结果.
- 这种方法克服了手动细分的局限性,并突出了非瘤肝脏组织的预后价值.
- 这些发现表明,这种人工智能驱动的放射学模型在个性化HCC治疗计划中具有潜在的临床实用性.
