多区域放射学用于预测肝脏内胆固醇癌中的微血管入侵和淋巴结转移
1Department of Radiology, Southeast University Affiliated Xuzhou Central Hospital, No. 199 Jiefang South Road, Quanshan District, Xuzhou, Jiangsu 221009, China.
Clinical radiology
|July 24, 2025
概括
来自MRI的放射学特征预测了肝脏内胆固醇癌中的微血管入侵和淋巴结转移. 多区域放射学评分和临床因素提高了这些关键结果的预测准确性.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 肝脏内胆管癌 (ICC) 带来了重大的诊断挑战.
- 精确的手术前预测微血管侵袭 (MVI) 和淋巴结转移 (LNM) 对于治疗计划和患者的结果至关重要.
研究的目的:
- 评估来自MRI的多区域放射学特征在ICC患者手术前MVI和LNM的预测价值.
- 开发和验证结合了放射学和临床因素的组合模型.
主要方法:
- 200名ICC患者接受了手术前与对比度增强的MRI.
- 从内部瘤和周围瘤区域提取了放射性特征 (VOI瘤,VOI8mm,VOI10mm,VOI12mm).
- LASSO方法选择的特征;组合模型整合了放射学分数 (Radscore) 和临床预测因素. 用SMOTE和RUS进行LNM数据平衡.
主要成果:
- 在MVI组合模型 (Radscore10mm,管道扩张,瘤大小) 中,在验证队列中,AUC达到0.827.
- 在验证队列中,LNM预测模型 (SMOTE + KNN,CEA,Radscore瘤) 显示了AUROC为0.853和AUPRC为0.749.
结论:
- 来自10mm周周瘤区域的放射学得分 (Radscore10mm) 有效地预测MVI.
- 使用瘤放射性评分 (Radscoretumor) 和CEA水平的组合模型准确预测LNM,SMOTE提高了性能.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
