基于Gd-BOPTAMRI的多层感知深度学习放射学模型,用于识别肝细胞癌中封装瘤集群的血管:一项多中心研究

科学领域:

• 肝细胞癌 (HCC) 研究研究
• 医学成像和放射学医学成像和放射学
• 机器学习在瘤学中

背景情况:

• 封装瘤集群的血管 (VETC) 是肝细胞癌 (HCC) 预后不佳的关键指标.
• 准确的手术前预测VETC对于指导治疗策略和改善患者结果至关重要.
• 目前的成像方法在手术前可靠识别VETC方面存在局限性.

研究的目的:

• 开发和验证HCC患者VETC的预测模型.
• 整合临床放射学和放射学特征,使用深度学习来提高预测准确度.
• 将开发模型的性能与现有的放射学和仅放射学模型进行比较.

主要方法:

• 对230名HCC患者进行了术前加多酸增强 (Gd-BOPTA) 核磁共振的回顾性分析.
• 使用后勤回归的临床放射学模型的开发.
• 使用LASSO和后勤回归,从各种感兴趣区域 (ROI) 提取和选择放射学特征.
• 实现一个多层感知器 (MLP) 深度学习算法用于放射学模型创建.
• 构建一个融合模型,整合放射学和放射学特征.

主要成果:

• 动脉周瘤增强和肝胆阶段周瘤低血压 (HBP) 被确定为VETC的独立放射学预测因素.
• 使用来自"TumorPeri2mm"ROI的放射学特征的MLP深度学习模型实现了高性能.
• 研发的融合模型 (放射学MLP模型) 显示出优异的预测性能,在训练,测试和验证集中AUC分别为0.871,0.894和0.918.
• 与放射学和MLP模型相比,融合模型显示了综合歧视指数 (IDI) 和净重新分类指数 (NRI) 的显著改善.

结论:

• 使用MLP深度学习集成放射学和放射学特征的新型融合模型有效地预测HCC中的VETC.
• 这种放射学MLP模型比仅依赖放射学或放射学特征的模型提供了增量价值和改善的临床实用性.
• 这些发现支持使用这种基于成像的先进模型在HCC管理中进行手术前VETC预测.