基于对比度增强的MRI的深度学习放射学,用于在治疗切除后预测肝细胞癌的早期复发
Ying Zhao1, Sen Wang2,3, Yue Wang1
1Department of Radiology, The First Affiliated Hospital, Dalian Medical University, Dalian, China.
Frontiers in oncology
|November 25, 2024
概括
这项研究表明,从对比度增强的MRI中结合深度学习和放射学,可以有效地预测手术后肝细胞癌 (HCC) 患者的早期复发. 这种综合方法为个性化治疗策略提供了更精确的工具.
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:
- 治疗切除后肝细胞癌 (HCC) 复发仍然是一个重大的临床挑战.
- 准确预测早期复发 (ER) 对及时干预和改善患者结果至关重要.
研究的目的:
- 评估综合深度学习 (DL) 和放射学方法的有效性,使用对比增强磁共振成像 (CEMRI) 来预测HCC患者的ER.
- 将这个综合模型的性能与传统的临床放射学 (CR) 和独立的放射学或DL模型进行比较.
主要方法:
- 对165名HCC患者的回顾性分析,分为培训 (n=132) 和验证 (n=33) 队列.
- 从CEMRI中提取3111放射学特征,使用机器学习分类器构建放射学模型.
- 使用ResNet架构开发DL模型,并与放射学和CR数据集成,以形成DLRCR模型.
主要成果:
- 综合深度学习和放射学模型 (DLRCR) 显示出卓越的性能,在培训队列中达到0.917的曲线下面积 (AUC),在验证队列中达到0.844.
- 在预测早期复发方面,DLRCR模型超过了独立的放射学,DL和CR模型.
- 与已建立的分期系统和预后指数相比,DLRCR模型显示出更好的临床效用.
结论:
- 来自CEMRI的放射学和DL模型都能够预测HCC复发.
- 综合深度学习和放射学方法提供了一个更有效和更精确的工具,用于预测接受切除的HCC患者的早期复发.
