基于MRI的可解释和可概括的深度学习模型,用于术前评估基于MRI的微血管入侵和肝细胞癌的结果:一个多中心研究
Xue Dong1, Xibin Jia2, Wei Zhang2
1Department of Radiology, Beijing Friendship Hospital, Capital Medical University, Beijing, China.
Insights into imaging
|July 3, 2025
概括
一个新的深度学习模型准确地预测了手术前在肝癌 (HCC) 中的微血管入侵 (MVI). 这种可解释的模型还通过早期无复发生存率 (ERFS) 来分层患者,改善了临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 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.
- 精确的MVI手术前评估仍然具有挑战性.
- 现有的模型往往缺乏通用性和解释性.
研究的目的:
- 开发一种可解释和可泛化的深度学习模型,用于HCC中MVI预测.
- 评估模型与早期无复发生存率 (ERFS) 的相关性.
- 通过生物解释性来增强临床翻译.
主要方法:
- 开发并验证了基于网络的对抗性深度学习 (AD-DL) 模型,使用来自五个中心的回顾性HCC患者数据.
- 采用域不变特征学习来提高跨多个中心的概括性.
- 通过使用接收器操作特征曲线 (AUC) 下的面积和ERFS分层通过日志等级测试验证诊断性能.
主要成果:
- AD-DL模型实现了高诊断性能,AUC为0.793 (内部测试),0.801 (外部测试1) 和0.773 (外部测试2).
- 模型预测显示了与ERFS的显著相关性 (p=0.048).
- 生物信息学分析确定了与新陈代谢,Wnt信号传递和上皮细胞-介质细胞过渡相关的丰富途径.
结论:
- 该AD-DL模型能够准确地预测手术前的MVI和HCC患者的ERFS分层.
- 该模型显示出强大的通用性和生物解释性.
- 这种方法有助于改善HCC管理的临床转化.
