基于对比增强超声波的深度学习模型,用于预测肝细胞癌中瘤集群封装的血管
Wenxin Xu1, Haoyan Zhang2,3, Rui Zhang1
1Department of Medical Ultrasonics, The First Affiliated Hospital, Institute of Diagnostic and Interventional Ultrasound, Sun Yat-Sen University, Guangzhou, China.
European radiology
|July 27, 2024
概括
一个使用对比增强超声波的深度学习模型准确地预测了肝癌中瘤集群 (VETC) 的血管封装. 这种非侵入性工具有助于识别手术后早期复发的高风险患者.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 的诊断和预后至关重要.
- 预测封装瘤集群的血管 (VETC) 对HCC管理很重要.
- 目前用于VETC评估的方法有局限性.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于HCC中VETC模式的非侵入性预测.
- 用对比增强超声波 (CEUS) 图像来评估模型的准确性.
- 评估DL模型在手术后预测早期复发 (ER) 的能力.
主要方法:
- 对手术前CEUS和组织样本的HCC患者进行了回顾性研究.
- 开发一个ResNet-18卷积神经网络模型用于VETC预测.
- 在独立的培训和测试队伍中验证DL模型.
主要成果:
- DL模型在预测VETC模式方面表现出很高的准确性 (在培训和测试队列中AUC为0.92和0.90).
- DL签名与术后早期复发独立相关 (HR: 1.99).
- 当与临床特征 (C指数为0.70-0.73) 相结合时,DL签名改善了ER的预测.
结论:
- DL模型为HCC的VETC预测提供了一种非侵入性和实用的方法.
- 这个工具有助于识别高风险的HCC患者的术后复发.
- DL模型支持VETC-HCC的个性化患者管理策略.
