整合CEUS成像特征和LI-RADS分类,用于预测孤独性肝细胞癌的术后早期复发:基于机器学习的预后方法

科学领域:

• 医疗成像医学成像
• 机器学习在瘤学中
• 肝细胞癌研究 肝细胞癌研究

背景情况:

• 肝细胞癌 (HCC) 早期术后复发显著影响患者的生存率和治疗计划.
• 准确预测复发对于优化监测策略和患者管理至关重要.
• 将成像功能与机器学习相结合,为提高预后准确性提供了一个有希望的途径.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测HCC患者的早期术后复发.
• 整合对比增强超声波 (CEUS) 功能与肝脏成像报告和数据系统 (LI-RADS) 分类以提高预测.
• 评估各种ML算法在预测HCC复发方面的性能.

主要方法:

• 对279名经过手术切除的HCC患者进行了回顾性分析.
• 整合CEUS衍生特征,LI-RADS分类和临床病理变量.
• 开发和比较四个ML模型 (RSF,GBM,CoxBoost,XGBoost) 使用7:3培训验证分割.
• 使用C指数,AUC,校准曲线,DCA和KM生存分析进行性能评估.

主要成果:

• 确定了五个重要的特征:微血管入侵 (MVI),瘤大小,LI-RADS分类,瘤缩和动脉增强模式.
• 梯度增强机 (GBM) 模型表现最好,在培训和验证队列中实现了高C指数和AUC值.
• LI-RADS分类,MVI和瘤大小被确定为关键预后指标.
• 卡普兰-梅尔分析证实了该模型将患者分为不同的风险组的能力.

结论:

• 基于GBM的ML模型整合了CEUS成像功能和LI-RADS分类,显示了预测早期HCC复发的巨大潜力.
• 这种预测模型可以帮助临床医生为手术后的HCC患者指导个性化的随访策略.
• 该研究强调了将先进的成像分析与机器学习相结合的价值,以改善瘤学结果.