多模多相术前基于图像的深度学习预测了治疗性手术后的HCC结果

科学领域:

• 肝细胞癌 (HCC) 研究研究
• 在瘤学中使用人工智能
• 医学成像分析 医学成像分析

背景情况:

• 肝细胞癌 (HCC) 复发在治疗性手术后很常见.
• 组织学微血管侵袭 (MVI) 预测复发,但缺乏手术前的效用.
• 现有的HCC复发临床预测得分显示出可变的性能.

研究的目的:

• 开发和验证Recurr-NET,这是一个用于预测HCC复发的深度学习模型.
• 将Recurr-NET的预测准确性与MVI和临床风险得分进行比较.
• 评估Recurr-NET在HCC手术前预后方面的潜力.

主要方法:

• 开发了Recurr-NET,一个多式联机随机生存森林深度学习模型.
• 整合了手术前CT扫描和HCC患者的临床参数.
• 使用内部 (香港) 和外部 (台湾) 队列验证模型.

主要成果:

• 复发网络在预测HCC复发的时间从1到5年中表现出极好的准确性 (内部AUROC为0.770-0.857,外部AUROC为0.758-0.798).
• 复发性NET显著优于MVI和临床风险得分 (p < 0.001).
• 该模型显示,与MVI相比,复发和死亡率的风险分层优越.

结论:

• Recurr-NET提供了HCC复发的准确的手术前预测.
• 该模型在预测性能方面超过了MVI和临床分数.
• Recurr-NET具有显著的潜力,可以改善HCC管理中的术前预后.