基于MRI的多参数机器学习放射学预后模型用于超越米兰标准的多焦肝细胞癌:一项回顾性研究
Xinyue Liang1,2,3, Fei Wu1,2,3, Xinde Zheng1,2,3
1Shanghai Institute of Medical Imaging, Shanghai, People's Republic of China.
Journal of hepatocellular carcinoma
|September 3, 2025
概括
机器学习放射学模型改善了超出米兰标准的多焦点肝细胞癌 (MHCC) 的风险分层. 这些模型可以提高总体存活率和无复发存活率的预测,从而改善患者的治疗结果.
科学领域:
- 肝胆恶性瘤
- 医学成像和放射学
- 在瘤学中的机器学习
背景情况:
- 超出米兰标准的多焦点肝细胞癌 (MHCC) 对准确的手术前风险分层提出了挑战.
- 现有的模型可能无法完全捕捉到晚期MHCC的预后复杂性.
- 需要新的方法来改善这些患者的生存预测.
研究的目的:
- 开发和验证用于MHCC手术前风险分层的机器学习放射学模型.
- 通过放射学识别MHCC的不同患者亚型.
- 评估放射学在预测整体存活率 (OS) 和无复发存活率 (RFS) 的附加价值.
主要方法:
- 使用多参数核磁共振 (mpMRI) 超出米兰标准的156名MHCC患者的回顾性分析.
- 从瘤和周围瘤区域提取放射性特征.
- 应用光谱聚类用于亚型识别和极端梯度增强 (XGBoost) -LASSO考克斯回归用于风险评分生成.
主要成果:
- 鉴定出两种基于放射性的患者亚型,其中一种亚型的生存状况和RFS明显恶化.
- 结合放射学预测器的组合模型显示了改善的OS预测 (C指数: 0.712培训,0.710验证) 和RFS预测 (C指数: 0.735培训,0.698验证).
- 这些模型在5年后的OS (AUC: 0. 77培训,0. 75验证) 和RFS (AUC: 0. 81培训,0. 76验证) 中取得了良好的预测性能.
结论:
- 整合mpMRI衍生特征的机器学习放射学模型有效预测超出米兰标准的MHCC患者的结果.
- 与传统方法相比,这些模型提供了更好的手术前风险分层.
- 这些发现支持在先进的MHCC中使用放射学进行个性化治疗计划.
