完善大肝细胞癌的动脉内治疗选择:基于共变相互作用分析的深度学习方法

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 肝细胞癌 (HCC) 是一个重大的全球健康挑战,通常在晚期被诊断出来.
• 无法切除的HCC的治疗经常涉及静脉内疗法 (IATs),如跨动脉化学栓塞 (TACE) 和肝动脉输液化疗 (HAIC).
• 为大型HCC选择最佳的IAT是复杂的,因为瘤异质性和患者反应的变化.

研究的目的:

• 开发和验证深度学习 (DL) 模型,以指导TACE和HAIC之间对不可切除的HCC进行选择.
• 加强管理大型HCC病例的临床医生的决策过程.

主要方法:

• 一项回顾性多中心研究包括900名用IATs治疗的大型HCC患者.
• 在动脉内治疗选择 (DELICAITE) 中开发了深度学习对相互作用和共变分析模型,将深度卷积神经网络 (DCNN) 与共变相互作用分析集成在一起.
• 该模型在双模临床和成像数据上进行了训练,并在前和外部队列上进行了验证.

主要成果:

• 德里卡特模型在预测进展性疾病 (PD) 中表现出强大的区分能力和准确性,AUC为0.756 (内部),0.664 (前性) 和0.701 (外部).
• 根据模型分类为"维持"组的患者与"改变"组 (8.1个月,P<0.001) 相比,具有显著更长的整体生存期 (OS) (11.3个月).
• 该模型有效地将患者分成可能从TACE或HAIC中受益的子组.

结论:

• 德利卡特模型提供了一种精确和创新的方法,用于优化大型HCC的IAT选择.
• 该工具为临床医生提供了一种可靠的方法,通过选择最合适的治疗方法来改善患者的生存结果.
• 该研究强调了人工智能在复杂的瘤病症个性化治疗策略中的潜力.