基于放射学的机器学习方法来预测肝切除术后肝细胞癌中的肝外转移:一个多中心研究

科学领域:

• 肝胆道手术 肝胆道手术
• 瘤成像学成像学
• 辐射学和人工智能 辐射学和人工智能

背景情况:

• 肝细胞癌 (HCC) 在肝切除术后复发与肝外转移构成了重大的临床挑战.
• 准确预测肝外转移对于个性化治疗策略和改善患者治疗结果至关重要.
• 当前的预测模型往往缺乏足够的准确性,需要新的方法.

研究的目的:

• 研究基于CT的放射学在预测肝切除术后HCC患者肝外转移的疗效.
• 开发和验证一个结合的预测模型,整合放射性特征和临床风险因素.
• 通过决策曲线分析评估开发模型的临床实用性.

主要方法:

• 来自两个中心的374名HCC患者的回顾性分析,分为培训 (277) 和验证 (97) 队列.
• 从对比度增强的CT扫描中提取放射性特征,并使用LASSO进行放射性评分 (radscore) 开发的特征选择.
• 创建放射学,临床和综合预测模型,并使用诺米图进行风险分层和性能评估,通过AUC和Delong测试.

主要成果:

• 基于CT的放射学 (radscore) 独立预测了肝外疾病 (p < 0.05).
• 组合模型显示出高预测性能 (AUC 87.2%培训,86.0%验证) 并显著优于单个放射学和临床模型 (p < 0.05).
• 决策曲线分析证实了组合模型对临床决策的优越净益.

结论:

• 基于CT的放射学是预测HCC患者肝切除术后肝外转移的一个有价值的工具.
• 综合CT放射学和临床因素的综合模型提供了超肝转移的卓越和临床有用的预测.
• 这种综合方法促进了个性化风险评估,并可以指导HCC患者的临床管理决策.