通过基于多相CT的表示学习方法识别巨型肝细胞癌

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 巨型肝细胞癌 (MTM-HCC) 是肝细胞癌 (HCC) 的一种侵袭性亚型.
• MTM-HCC与患者的生存率低下有关.
• 准确识别MTM-HCC对于治疗规划至关重要.

研究的目的:

• 评估一种基于表达式学习的新型特征融合策略,用于MTM-HCC识别.
• 评估基于多相对比增强CT (mpCECT) 潜伏特征融合 (MCLFF) 模型的性能.
• 将MCLFF模型与其他聚变方法和传统方法进行比较.

主要方法:

• 对206名经过手术确认的HCC患者的回顾性分析.
• 从mpCECT扫描中提取多相放射学特征.
• 使用内部和外部数据集开发和验证MCLFF模型.

主要成果:

• 通过融合动脉和门静脉阶段特征,MCLFF模型实现了0.857的MTM-HCC预测的高AUC.
• 这一性能在内部验证中超过了所有竞争中的核聚变模型.
• 整合额外的放射性或临床特征进一步提高了预测准确性.

结论:

• 该MCLFF模型显示了使用合多相放射学特征进行准确的MTM-HCC预测的巨大潜力.
• 动脉和门静脉阶段特征的融合是该模型有效性的关键.
• 临床因素和传统放射性特征为MCLFF战略提供了增值价值.