基于内异质性的深度学习可以预测肝细胞癌的组织病理学等级
Shaoming Song1, Gong Zhang2,3, Zhiyuan Yao2,4
1The First School of Clinical Medicine, Lanzhou University, Lanzhou, 730000, China.
BMC cancer
|March 19, 2025
概括
这项研究开发了一个基于ITH的深度学习模型,使用MRI数据来预测肝细胞癌 (HCC) 等级. 该模型准确地预测了瘤分化的非侵入性,有助于患者管理.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 使用医学成像进行内异质性 (ITH) 评估对于了解癌症至关重要.
- 肝细胞癌 (HCC) 的分级影响治疗策略.
- 需要使用非侵入性方法来预测组织病理学等级.
研究的目的:
- 评估基于ITH的深度学习模型,用于手术前预测HCC组织病理等级.
- 评估模型在区分瘤分化方面的表现.
- 探索ITH模型的预后价值.
主要方法:
- 利用放射学特征和K-means集群来识别来自MRI扫描的ITH亚区域.
- 训练有素的2.5D和3D深度学习模型 (ResNet) 来提取ITH子区域的特征.
- 开发了一个使用随机森林用于HCC等级预测的特征融合模型.
主要成果:
- 基于ITH的2.5D特征融合模型在预测HCC等级 (AUC0.82对0.72) 方面明显优于整个瘤模型.
- 该模型在外部验证集 (AUC 0.78-0.83) 中表现强,并提高了预测准确性.
- 该模型有效地根据整体存活率和无复发存活率对患者进行了分层.
结论:
- 基于ITH的特征融合模型提供了一种非侵入性的方法来分类HCC瘤分化.
- 这种模型显示了作为一种工具在HCC患者分层管理的承诺.
- 在医学成像中应用ITH的深度学习可以提高手术前癌症评估.
