使用DCE-MRI放射学和机器学习对HCC,ICC和HIPT进行手术前三元分类

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的机器学习
• 瘤学 诊断 诊断 瘤学

背景情况:

• 肝脏病变的准确手术前分化,包括肝细胞癌 (HCC),肝脏内胆管癌 (ICC) 和肝炎性伪瘤 (HIPT),在传统的诊断方法中具有挑战性.
• 当前诊断准确度的局限性可能导致治疗规划和患者治疗结果不足.

研究的目的:

• 开发和验证一个机器学习模型,整合动态对比增强磁共振成像 (DCE-MRI) 放射学和临床数据,用于手术前区分HCC,ICC和HIPT.
• 解决现有的诊断工具在区分这三个肝脏病理方面的局限性.

主要方法:

• 对280名接受了DCE-MRI的患者进行了回顾性分析 (HCC: 160,ICC: 80,HIPT: 40).
• 使用LASSO回归和机器学习算法 (逻辑回归,随机森林,极端梯度增强) 提取和分析了放射学特征和临床数据.
• 应用类权重来管理类不平衡,并使用AUC,准确性,回忆和精度评估模型性能.

主要成果:

• 融合模型结合了放射学和临床特征,实现了0.933的曲线下面面积 (AUC) 和84.5%的精度.
• 这种融合模型显著优于仅放射学 (AUC=0.856) 和仅临床 (AUC=0.795) 模型 (p < 0.05).
• 确定的主要区分特征包括边缘增强,以区分HCC与ICC/HIPT,以及肝叶缩,以区分ICC/HIPT与HCC.

结论:

• 一个新的,非侵入性的,基于成像的机器学习模型已成功开发,用于手术前区分HCC,ICC和HIPT.
• 融合模型表现出了卓越的性能,特别是在ICC识别方面,超过了传统方法和单模模式.
• 这种方法提高了诊断精度,为个性化的肝病诊断和治疗规划提供了可靠的工具.