基于F-FDG PET/CT的息地放射学结合堆叠组合学习来预测肝细胞癌的预后:一项多中心研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 肝细胞癌 (HCC) 是一个重大的全球健康挑战.
• 准确预测整体存活率 (OS) 对于有效的HCC管理至关重要.
• 内异质性是HCC进展的关键因素,可以使用成像特征进行表征.

研究的目的:

• 开发和验证息地放射性模型,用于预测HCC患者的OS.
• 评估与传统放射学相比,息地放射学的性能.
• 研究将息地放射性模型与临床数据相结合的附加值.

主要方法:

• 对来自两个机构的137名HCC患者进行了回顾性分析.
• 使用k-means集群识别内息地.
• 从F-FDG PET/CT图像中提取和选择放射性特征.
• 使用堆叠集体学习和考克斯回归的放射性模型的开发.
• 外部验证和模型性能比较使用C指数和时间依赖的AUC.

主要成果:

• 确定了三个不同的内息地.
• 最佳息地放射性模型 (MLP-Cox-habitat-2) 在外部验证中获得0.702的C指数.
• 结合息地放射学和临床数据的组合模型表现出卓越的性能,C指数为0.747.
• 组合模型显示了1年,2年和3年的正常生存期的高预测准确度 (AUC分别为0.835,0.828和0.800).

结论:

• 与传统的放射学相比,F-FDG PET/CT 基的息地放射学对 HCC 提供了优越的 OS 预测.
• 息地放射学与临床数据的整合显著提高了预测能力.
• 开发的息地放射性模型显示出指导HCC个性化治疗策略的前景.