基于多MR息地成像和机器学习分类器的决定融合模型用于预测肝细胞癌中的微血管入侵
Zhenhuan Huang1, Wanrong Huang2, Lu Jiang2
1Department of Radiology, The First Affiliated Hospital of Fujian Medical University, Fuzhou, Fujian 350005, China (Z.H., W.H., L.J., Y.Z., Y.P., C.Y., R.Y., Y.L.); Department of Radiology, Longyan First Affiliated Hospital of Fujian Medical University, Longyan, Fujian 364000, China (Z.H.).
Academic radiology
|October 29, 2024
概括
结合临床放射学,放射学和深度学习特征的新型决策融合模型准确预测肝细胞癌 (HCC) 中的微血管入侵 (MVI). 这种方法有助于为HCC患者进行个性化治疗计划.
科学领域:
- 肝细胞癌 (HCC) 研究研究
- 医学成像分析 医学成像分析
- 在瘤学中的机器学习
背景情况:
- 在肝细胞癌 (HCC) 中精确预测微血管入侵 (MVI) 对于有效的治疗选择至关重要.
- 当前的预测方法往往缺乏足够的准确性,需要先进的方法.
研究的目的:
- 评估和比较各种模型,包括临床放射学,放射学,深度学习放射学和融合策略,用于HCC中MVI预测.
- 评估六个机器学习分类器的性能,并与多区域MR息地成像相结合.
主要方法:
- 用动脉相MRI图像对300名HCC患者进行了回顾性分析.
- 从内和周息地提取放射学和深度学习特征.
- 使用ICC,PCC过和RFE减少尺寸,然后用六个分类器和融合技术构建模型.
主要成果:
- 结合临床放射学,放射学和深度学习特征的决策融合模型实现了最高的ROC曲线下面面积 (AUC) 0.808.
- 该模型在测试队列中证明了良好的校准和临床净益处.
结论:
- 基于后勤回归的决策融合模型显示了在HCC中进行手术前MVI预测的巨大潜力.
- 这种方法可以提高患者的预测结果,并支持针对HCC的个性化治疗策略.
