使用多视图和多相CT图像构建2.5D深度学习模型,用于预测肝细胞癌的早期术后复发

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 切除后肝细胞癌 (HCC) 复发是一个重大的临床挑战.
• 准确预测早期复发对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证一种新的2.5维 (2.5D) 计算机断层扫描 (CT) 基于放射学的深度学习 (DL) 模型,用于预测HCC的早期术后复发.
• 为了比较2.5DDL模型与3DDL模型以及结合了临床特征的组合模型的性能.

主要方法:

• 来自两个中心的HCC切除数据的回顾性分析,数据分为培训,内部验证和外部验证队列.
• 使用多视图和多相CT图像开发2.5DDL模型,结合多实例学习和各种机器学习算法 (Logistic Regression,RandomForest,ExtraTrees,XGBoost,LightGBM),并进行超参数优化.
• 使用接收器操作特征曲线,校准曲线,DeLong测试和决策曲线分析进行性能评估.

主要成果:

• 2.5D DL模型在训练 (AUC:0.920),内部验证 (AUC:0.825) 和外部验证 (AUC:0.795) 队列中显示出强大的预测性能.
• 一个3DDL模型显示了过拟合的迹象,与2.5D模型相比,验证队列的性能明显较低.
• 组合模型 (2.5D DL + 临床特征) 在所有队列中都取得了卓越的表现 (AUC:0.921,0.835,0.804),优于其他模型.

结论:

• 将2.5D深度学习放射学与临床特征集成,为预测肝细胞癌的早期术后复发提供了强大而准确的方法.
• 这种综合方法为HCC患者的个性化风险分层和管理策略提供了一个有希望的工具.