基于对比度增强的MRI和病理成像的深度学习放射病理学模型,用于预测封装瘤集群的血管和肝细胞癌的预后
Yixing Yu1, Lixiu Cao2, Binqing Shen3
1Department of Radiology, The First Affiliated Hospital of Soochow University, Suzhou 215006, China.
Radiology. Imaging cancer
|March 14, 2025
概括
深度学习放射病理学模型准确预测瘤血管模式和肝细胞癌 (HCC) 的存活率. 这些模型有助于评估早期复发和无进展生存 (PFS) 风险,以改善患者管理.
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:
- 肝细胞癌 (HCC) 在预测患者结果方面带来了重大挑战.
- 识别预后因素,如瘤集群封装血管 (VETC),对于治疗规划至关重要.
- 目前的成像和病理学方法在预测VETC和生存方面存在局限性.
研究的目的:
- 开发和验证深度学习 (DL) 放射病理学模型,用于预测HCC中的VETC.
- 评估模型预测早期复发和无进展生存 (PFS) 的能力.
主要方法:
- 在578名HCC患者中进行了回顾性多中心研究.
- 使用对比度增强的MRI和病理图像开发DL放射学和病理学模型.
- 在VETC+和VETC-HCC组之间比较DL衍生得分 (DRS,病理学得分).
- 用于生存预测的放射病理学名ogram模型的构建.
主要成果:
- 斯温变压器模型在预测VETC方面表现良好 (AUC为0.77-0.79).
- 患有VETC+ HCC的患者显示DL放射性和病理性得分显著更高.
- 放射病理学名图在测试组中预测早期复发和3年PFS的表现良好 (C指数为0.60-0.69,AUC为0.78-0.83).
- 通过诺莫格拉姆模型的分层显著区分了高风险和低风险患者的复发和PFS.
结论:
- DL放射病理学模型有效地预测HCC中的VETC.
- 这些模型为评估HCC患者早期复发和PFS提供了有希望的工具.
- 开发的诺米图可以帮助风险分层和个性化治疗策略HCC.


