人工智能模型使用基于CT的成像生物标志物来预测慢性乙型肝炎患者的肝细胞癌
Hyunjae Shin1, Moon Haeng Hur2, Byeong Geun Song3
1Center for Liver and Pancreatobiliary Cancer, National Cancer Center, Goyang, Gyeonggi-do, Korea.
Journal of hepatology
|December 22, 2024
概括
一个新的人工智能 (AI) 模型,PLAN-B-DF,通过结合CT成像生物标志物和临床数据,准确预测慢性乙型肝炎 (CHB) 患者的肝细胞癌 (HCC) 风险,优于现有模型.
科学领域:
- 医疗成像中的人工智能
- 肝细胞癌风险预测和预测
- 慢性乙型肝炎的管理
背景情况:
- 肝细胞癌 (HCC) 是慢性乙型肝炎 (CHB) 患者的一个重大问题.
- 现有的HCC预测模型依赖于临床变量,但在准确性方面存在局限性.
- 整合成像生物标志物可以提高CHB患者的HCC风险预测.
研究的目的:
- 开发一种基于先进的人工智能 (AI) 的模型,用于CHB患者的HCC预测.
- 将计算机断层扫描 (CT) 扫描中的成像生物标志物与临床变量相结合.
- 评估新型人工智能模型与现有预测工具的性能.
主要方法:
- 一个人工智能模型,PLAN-B-DF,是使用梯度增强机器算法开发的.
- 从CT图像中提取成像生物标志物,使用基于深度学习的自动细分软件 (DeepFore).
- 该模型整合了六个成像生物标志物 (例如脂肪体积比,器官体积,霍恩斯菲尔德单位) 和八个临床变量,根据导出 (n=5,585) 和外部 (n=2,883) 队列进行验证.
主要成果:
- 在内部验证 (c-index = 0.91) 和外部验证 (c-index = 0.89) 中,PLAN-B-DF表现出极好的预测性能.
- 人工智能模型在歧视方面明显优于以前的模型 (PLAN-B,PAGE-B,修改PAGE-B,CU-HCC).
- PLAN-B-DF有效地将患者分为风险组,具有明显的10年累积HCC发病率 (0.0%至46.2%).
结论:
- 由人工智能驱动的PLAN-B-DF模型,结合基于深度学习的CT图像分析,显著改善了CHB患者的HCC风险预测.
- 这种新型模型与传统的仅基于临床数据的模型相比,提供了更高的准确性和风险分层.
- PLAN-B-DF可为患有慢性乙型肝炎的患者提供更个性化的监测策略.
