基于自我监督学习的深度学习模型,用于从动态对比增强MRI中识别多发性肝细胞癌的亚型

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:

• 肝细胞癌 (HCC) 由于具有不同临床行为的不同亚型,构成重大挑战.
• 识别HCC的增殖亚型对于有效的治疗计划至关重要.
• 目前的诊断方法可能缺乏准确性,以非侵入性地区分侵略性HCC亚型.

研究的目的:

• 开发和验证一种深度学习模型,用于对HCC的增殖亚型进行非侵入性预测.
• 利用动态对比增强MRI (DCE-MRI) 和自我监督学习 (SSL) 来提高诊断准确度.
• 通过准确识别攻击性瘤亚型,改善HCC患者的个性化治疗策略.

主要方法:

• 对381名HCC患者进行了回顾性研究,数据分为培训,内部和外部测试集.
• 使用DCE-MRI数据和动态放射学工作流程开发了一个深度学习 (DL) 模型pHCC-SSL.
• 自主监督学习 (SSL) 用于预训练DL模型以分析时间和空间模式.

主要成果:

• pHCC-SSL模型显示出高预测性能,AUC为1.00 (训练),0.91 (内部) 和0.94 (外部).
• 性能明显超过没有SSL预训练的模型 (AUC 0.81和0.80).
• 该模型准确地识别了HCC扩散,并且与单个序列模型相比显示出更高的预测能力.

结论:

• 通过使用DCE-MRI和两阶段的培训方法,pHCC-SSL模型有效地预测HCC的扩散.
• SSL增强了病变分化和动态特征提取,以改善手术前转移风险评估.
• 这种方法促进了临床放射学的进步,因为它可以通过非侵入性识别攻击性HCC亚型来进行个性化治疗.