在不可切除的肝细胞癌中个性化静脉内治疗规划的深度学习模型:一个多中心的回顾性研究

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 无法切除的肝细胞癌 (uHCC) 是一个重大的全球健康挑战.
• 目前的治疗策略主要包括跨动脉化学栓塞 (TACE) 和肝动脉输液化疗 (HAIC).
• 需要先进的预后和治疗规划工具,用于HHCC患者管理.

研究的目的:

• 开发和验证基于AI的模型 (SELECTION) 以预测HHCC患者的治疗反应和生存.
• 创建基于AI的治疗决策模型 (ATOM),利用预后得分来指导治疗选择.
• 将AI模型的性能与现有的临床方法和ResNet方法进行比较.

主要方法:

• 在1725名接受了手术前CECT扫描并符合TACE或HAIC的HHCC患者身上训练并验证了四种变压器模型 (SELECTION).
• 曲线下的利用面积 (AUC) 用于评估 SELECTION 模型的预测性能.
• 根据SELECTION衍生的存活得分,将患者分为高风险和低风险组,并开发了用于治疗建议的ATOM模型.

主要成果:

• 与临床模型和ResNet.Net相比,SELECTION模型在预测目标响应率 (ORR) 和整体存活率 (OS) 中表现优异.
• 在外部验证队列中,SELECTION-TACE和SELECTION-HAIC的ORRAUC分别为0.761和0.805,OS分别为0.736和0.748.
• 从SELECTION获得的得分有效地将患者分为高风险和低风险组,存活率有显著差异 (P <0.05).
• ATOM模型与临床医生建议的一致性与更高的反应/生存率相关.

结论:

• 该SELECTION AI模型显示,在用动脉内疗法治疗的hHCC患者中,具有强大的预后能力.
• 基于AI的治疗决策模型 (ATOM) 在优化对HHCC的TACE和HAIC的选择方面表现有前途.
• 这些人工智能工具可以增强个性化的治疗策略,并改善患者在HHCC管理中的结果.