基于深度学习的自动细分与放射学相结合,可预测TACE后肝衰竭在HCC患者中的情况
Shuai Li1, Kaicai Liu1, Chang Rong1
1Department of Radiology, the First Affiliated Hospital of AnHui Medical University, Hefei, Anhui Province, People's Republic of China.
Journal of hepatocellular carcinoma
|December 23, 2024
概括
一个新的深度学习模型准确地预测了在肝细胞癌患者中超动脉化血栓化后的肝衰竭. 这种综合方法为治疗规划提供了有价值的工具.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 经过过动脉化学栓塞 (TACE) 的肝细胞癌 (HCC) 患者面临TACE后肝衰竭 (PTLF) 的风险.
- 准确预测PTLF对于优化治疗策略和患者管理至关重要.
研究的目的:
- 开发和验证医疗图像基于深度学习的自动细分模型.
- 将放射学特征与临床数据相结合,用于预测HCC患者的PTLF.
主要方法:
- 一项对210名TACE治疗的HCC患者的回顾性研究.
- 开发基于nnU-Net的自动细分模型,使用子相似系数 (DSC) 进行评估.
- 使用后勤回归评估并通过AUC,校准曲线和DCA评估的组合,临床和放射学预测模型的创建.
主要成果:
- 自动细分模型实现了高性能 (DSC:瘤的83.05%,非瘤膜的92.72%).
- 国际规范化比率 (INR) 和白蛋白 (ALB) 被确定为独立的临床预测因素.
- 与临床 (AUC: 0.785) 和放射性 (AUC: 0.815) 模型相比,组合模型显示出更高的预测性能 (AUC: 0.878).
结论:
- 一个可靠的综合预测模型,整合深度学习细分和放射学,可以准确地预测HCC患者的PTLF.
- 这个模型是临床医生在制定治疗计划时的宝贵参考.
