早期预测肝硬化不良结果使用基于CT的多模式深度学习模型
Nanai Xie1, Yiwen Liang1, Zixin Luo1
1Department of Radiology, The Second Affiliated Hospital, School of Medicine, The Chinese University of Hong Kong, Shenzhen & Longgang District People's Hospital of Shenzhen, Shenzhen, China.
Abdominal radiology (New York)
|June 27, 2025
概括
一个新的深度学习模型,TMF-LCNet,通过融合CT图像,放射学和临床数据,准确地预测早期肝硬化中的不良结果. 这种工具有助于早期风险识别和改善患者管理.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 肝病学和胃肠病学 肝病学和胃肠学
- 计算病理学计算病理学
背景情况:
- 早期肝硬化通常缺乏症状,使风险分层和及时干预复杂化.
- 准确预测不良结果对于管理早期肝硬化患者至关重要.
- 目前用于早期肝硬化风险评估的方法可能无法充分利用多模式数据.
研究的目的:
- 开发和验证基于深度学习的三模融合肝硬化网络 (TMF-LCNet).
- 预测早期肝硬化患者的不良结果.
- 加强早期风险评估和肝硬化临床管理策略.
主要方法:
- 一项回顾性研究涉及243名来自两个中心的早期肝硬化患者.
- 开发TMF-LCNet集成非对比CT图像,放射性特征 (肝脏,脏) 和临床文本 (实验室参数,脂肪组织).
- 将TMF-LCNet与使用AUC,校准曲线和决策曲线分析 (DCA) 的传统方法和单模式版本进行比较.
主要成果:
- 与传统和单模式方法相比,TMF-LCNet实现了更高的预测性能 (AUC 0.797培训,0.747外部测试).
- 该模型在培训和外部测试队伍中都展示了强大的校准.
- 图像数据对TMF-LCNet的性能做出了最大的贡献,其次是文本数据;放射学贡献最小.
结论:
- TMF-LCNet是一个准确而强大的工具,用于预测早期肝硬化不良结果.
- 多种数据类型 (图像,文本,放射学) 的集成增强了预测能力.
- TMF-LCNet显示了早期识别高风险患者的潜力,指导及时干预和改善预后.
