在使用单个2D图像切片进行肝细胞癌的RF切除后瘤覆盖率的估计
Nicole Varble1,2, Ming Li3, Laetitia Saccenti3,4
1Center for Interventional Oncology, National Institutes of Health, Bethesda, MD, USA. nicole.varble@nih.gov.
概括
一个人工智能 (AI) 模型可以使用二维图像来估计肝细胞癌 (HCC) 患者的射频除 (RFA) 瘤覆盖率. 然而,在单独的队列中验证显示了这种RFA技术的翻译挑战.
科学领域:
- 放射学和成像学 放射学和成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 的治疗往往涉及射频除 (RFA).
- 准确评估RFA的技术成功,特别是瘤覆盖率,对于患者的治疗结果至关重要.
- 目前评估瘤覆盖范围的方法可能是复杂和耗时的.
研究的目的:
- 开发和评估人工智能 (AI) 模型,用于估计HCC患者在RFA后的瘤覆盖率.
- 通过预测瘤覆盖率而不需要细分或注册工具来评估RFA的技术成功.
- 确定人工智能是否可以提供可靠的估计废弃区的有效性.
主要方法:
- 从OPTIMA试验中对182名患有HCC病变 (3-7厘米) 的患者进行了回顾性分析.
- 开发AI模型 (分类和回归) 使用2D轴性CT图像 (RFA前瘤和RFA后1个月的切除区域).
- 通过半自动3D细分和弹性注册确定基准真相瘤覆盖范围;在728张图像对上训练和测试模型;执行外部验证.
主要成果:
- 最好的AI分类模型实现了0.86的AUC,准确度为69%.
- 最好的回归模型 (随机森林) 的RMSE为12.6%,MAE为9.8%.
- 在一个独立的机构进行外部验证并没有产生超过随机估计的准确性,这表明翻译存在挑战.
结论:
- 使用二维图像的AI模型可以准确地估计RFA治疗的HCC患者的剥离瘤覆盖率.
- 该模型在单独的验证队列中的表现表明临床翻译可能存在困难.
- 需要进一步的研究来应对在不同机构和患者群体中应用这种AI模型的挑战.
