在HCC中改善微血管入侵的诊断决策,使用结合三角洲放射学和身体组成因素的新型名录:一个多中心研究

科学领域:

• 放射学和医学成像学 医学成像学
• 机器学习在医学中的应用
• 在瘤学瘤学.

背景情况:

• 微血管入侵 (MVI) 是肝细胞癌 (HCC) 的关键预后因素.
• 准确预测MVI对于指导治疗决策和改善患者结果至关重要.
• 目前用于MVI预测的方法在灵敏度和特异性方面存在局限性.

研究的目的:

• 开发和验证用于HCC患者早期MVI预测的机器学习 (ML) 模型.
• 整合三角洲放射学特征和身体组成因素,以提高预测性能.
• 识别与MVI相关的差异表达基因 (DEG),以探索潜在的分子机制.

主要方法:

• 从多中心队列中对病理确诊的HCC患者的回顾性分析.
• 从MRI中提取放射性特征,计算三角形放射性特征,并选择临床放射性特征和身体组成因素.
• 开发基于独立风险因素的名录图,使用接收器运行特征曲线 (AUC) 下的面积进行评估,并在外部测试集上验证. 使用卡普兰-梅尔和日志等级测试进行了无复发生存 (RFS) 分析. 进行了基因表达分析.

主要成果:

• 开发的诺米图表表现出了强大的预测性能,在外部测试集上AUC为0.853和0.852,表现优于临床模型.
• 诺米图显著提高了放射科医生对MVI的诊断准确度,高达13.4个百分点.
• 与MVI相关的差异表达基因 (DEG) 被确定并与细胞增殖和葡萄糖代谢途径相关.

结论:

• 机器学习模型结合了身体组成因素和三角形放射学分数,为预测HCC中MVI状态提供了卓越的性能.
• 这些模型显著提高了放射科医生在识别MVI的诊断能力.
• 这些发现为MVI的分子机制提供了宝贵的见解,并支持基于ML的预测的临床实用性.