使用临床数据,放射学和深度学习开发HCC患者TACE后远程转移的预测模型

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 肝细胞癌 (HCC) 是一种显著的癌症,通过通管动脉化学栓塞 (TACE) 常用于晚期的癌症.
• 通过导管动脉化学栓塞 (TACE) 可能无法完全预防HCC患者的远程转移.
• 放射学 (RAD) 和深度学习 (DL) 是新兴的技术,有可能预测治疗结果.

研究的目的:

• 开发和评估一个整合临床数据,放射学和深度学习的预测模型.
• 评估TACE后HCC患者远程转移的风险.
• 改善TACE接受HCC患者个性化的临床决策.

主要方法:

• 475名HCC患者的队列被分为培训,测试和外部验证组.
• 研发和比较了放射学,深度学习和综合深度学习和放射学 (DLR) 模型.
• 最终的组合模型将DLR与使用后勤回归的临床数据集成在一起,通过校准和决策曲线评估性能.

主要成果:

• 瘤大小,结节数和α-fetoprotein (AFP) 水平等临床因素与转移风险相关 (p < 0.05).
• 组合模型显示出高预测准确度,AUC值为0.931 (训练),0.861 (测试) 和0.854 (外部验证).
• 决策曲线分析证实了开发模型的卓越临床实用性.

结论:

• 组合模型准确地预测TACE后的HCC患者的远程转移.
• 通过将患者分为不同风险群体,这个名图方便了个性化临床决策.
• 该模型支持针对高风险HCC患者的量身定制的监测和辅助治疗分配.