基于计算机断层扫描的深度学习和多实例学习,用于预测肝细胞癌的微血管入侵和预后
Yong-Yi Cen1,2, Hai-Yang Nong1,2, Xiao-Xiao Huang1,2
1Guangxi Clinical Medical Research Center for Hepatobiliary Diseases, Affiliated Hospital of Youjiang Medical University for Nationalities, Baise 533000, Guangxi Zhuang Autonomous Region, China.
World journal of gastroenterology
|September 11, 2025
概括
一个新的深度学习模型准确地预测肝细胞癌 (HCC) 中的微血管入侵 (MVI),优于现有方法. 这种MVI预测工具有助于为HCC患者制定个性化治疗策略.
科学领域:
- 肝细胞癌研究 肝细胞癌研究
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
背景情况:
- 微血管侵入 (MVI) 是肝细胞癌 (HCC) 的关键预后指标.
- 准确的手术前预测MVI在HCC仍然是一个重要的临床挑战.
研究的目的:
- 开发和验证基于深度学习的2.5D多实例学习 (MIL) 模型,用于HCC中的MVI预测.
- 为了比较MIL模型的性能与放射学和临床特征.
- 评估MIL签名在手术切除和TACE队列中的预后价值.
主要方法:
- 使用了192名HCC患者的回顾性队列,7:3分为培训和验证组.
- 一个2.5D深度学习MIL框架被应用到计算机断层扫描动脉相位图像,用于MVI预测.
- 使用ROC曲线,DCA和DeLong测试来评估性能;通过Kaplan-Meier曲线评估预后值.
主要成果:
- 在验证中,MIL签名实现了优越的AUC (0.877),显著超过放射学 (0.727) 和临床 (0.631) 签名.
- 决策曲线分析显示,MIL签名的临床净益更大.
- 该MIL签名有效地通过无复发生存率 (外科队列) 和无进展生存率 (TACE队列) 对患者进行了分层.
结论:
- 与放射学和临床签名相比,MIL签名在HCC中提供了更准确的MVI预测.
- 这种人工智能驱动的方法为HCC提供了精确的预后分层.
- MIL签名通过增强的预测能力支持个性化的HCC治疗策略.
