基于MRI的拓深度学习模型用于微血管入侵的非侵入性预测,并协助HCC的预后分层
Tianying Zheng1, Yajing Zhu2, Hanyu Jiang1
1Department of Radiology, West China Hospital, Sichuan University, Chengdu, Sichuan, China.
概括
一个新的基于MRI的深度学习模型准确地预测了肝癌 (HCC) 中的微血管入侵 (MVI). 这种拓增强模型有助于分层患者的生存率和个性化治疗决策.
科学领域:
- 肝细胞癌研究 肝细胞癌研究
- 医学成像分析 医学成像分析
- 深度学习应用程序
背景情况:
- 微血管侵袭 (MVI) 是肝细胞癌 (HCC) 的关键预后因素,对患者的治疗结果产生负面影响.
- 目前MVI的预测方法往往缺乏精度,需要改进手术前评估工具.
- 深度学习 (DL) 和拓分析在提高医学成像的预测能力方面表现有前途.
研究的目的:
- 开发和外部验证一种基于MRI的新型深度学习 (DL) 模型,该模型包含用于HCC中MVI手术前预测的拓特征.
- 评估模型在预测MVI方面的表现及其与患者生存结果的相关性.
主要方法:
- 一项回顾性研究涉及来自两个中心的589名经过手术治疗的HCC患者.
- 开发一个拓-CNN (TopoCNN) 模型和一个TopoCNN+Clinical (TopoCNN+Clinic) 模型,使用通过DL的自动肝脏和瘤细分.
- 使用接收器运行特征曲线分析 (AUC) 和Cox回归用于无复发生存 (RFS) 和总生存 (OS) 的模型的外部验证.
主要成果:
- 在MVI预测的外部验证中,TopoCNN和TopoCNN+Clinic模型实现了高AUC (0.871-0.895).
- 对于较小的瘤 (≤3.0厘米),TopoCNN+Clinic模型表现强 (AUC为0.929内部,0.758外部).
- 由TopoCNN衍生的MVI预测概率独立预测了早期的RFS (HR 6.64) 和OS (HR 13.33).
结论:
- 一个MRI拓DL模型,利用自动细分,准确地预测MVI在HCC.
- 该模型有效地分层了术后早期无复发生存率和整体生存率.
- 这种方法可以显著帮助个性化治疗决策为HCC患者.
