增加常规标准:基于CT的深度学习放射学诺米克图,用于肝细胞癌在肝移植后早期复发风险分层
Ziqian Wu1, Danyang Liu2, Siyu Ouyang3
1Department of Radiology, Xiang'an Hospital of Xiamen University, School of Medicine, Xiamen University, Xiamen radiological Control Center, Xiamen, China.
Insights into imaging
|September 17, 2025
概括
一种新的深度学习放射学名图 (DLRN) 准确地预测了肝移植后早期肝细胞癌 (HCC) 复发. 这种人工智能工具可以改善对接受移植的HCC患者的风险分层和临床决策.
科学领域:
- 肝细胞癌研究 肝细胞癌研究
- 医学成像人工智能 医学成像人工智能
- 移植瘤学 移植瘤学
背景情况:
- 肝细胞癌 (HCC) 在肝移植后复发的预后很差.
- 精确的风险分层对于移植后的HCC患者的管理至关重要.
- 目前用于预测复发的方法需要改进.
研究的目的:
- 开发和验证一个深度学习放射学名图 (DLRN) 用于预测肝移植后早期HCC复发.
- 根据传统的风险标准来评估DLRN的表现.
- 评估DLRN的预测附加值.
主要方法:
- 一项两中心的研究包括245名HCC患者,他们在肝移植之前接受了对比增强CT.
- 从手术前的CT扫描中提取了放射学和深度学习特征.
- 通过使用逻辑回归,将这些特征与临床变量整合起来,构建了DLRN.
主要成果:
- DLRN显示出强大的预测准确性,AUC为0.884 (训练) 和0.829 (验证).
- 较高的DLRN得分显著增加了复发风险16.370倍 (p < 0.001).
- 将DLRN与Metro-Ticket 2.0标准相结合,可以实现最好的预测 (AUC:0.936/0.863).
结论:
- 基于CT的DLRN提供了一种非侵入性方法,用于预测移植后早期的HCC复发.
- 当与传统的预测系统相结合时,DLRN提供了相当大的额外预测价值.
- 使用手术前CT成像的AI驱动模型可以提高HCC患者的风险分层和风险管理.
