通过基于超声波的深度学习模型改进风险分层和早期HCC的检测

科学领域:

• 肝病学和胃肠道学
• 人工智能在医学中的应用
• 医学成像和诊断 医学成像和诊断

背景情况:

• 肝细胞癌 (HCC) 监测计划目前对于补偿晚期慢性肝病 (cACLD) 患者来说是不理想的.
• 在这种高风险人群中,需要改进早期HCC检测和风险分层的方法.

研究的目的:

• 开发和验证深度学习模型,STARHE-RISK和STARHE-DETECT,用于HCC风险分层和使用超声波检测早期HCC风险.
• 评估这些模型在接受监测的cACLD患者中的性能.

主要方法:

• 一项前性多中心研究招募了403名患有cACLD的成年患者,没有先前的HCC病史.
• 对于风险分层,STARHE-RISK 接受了非瘤肝膜外瘤超声波剪辑的训练,而STARHE-DETECT 接受了瘤剪辑的训练.
• 模型在50名平衡患者的独立测试组上得到了验证.

主要成果:

• STARHE-RISK对HCC风险预测的准确度为0.72,与FASTRAK得分相结合时显著改善 (特异性为0.86,或8.9).
• 在早期HCC检测中,STARHE-DETECT获得了0.68的灵敏度和0.82的特异性.
• 这两种模型都使用简单的超声波电影剪辑采集.

结论:

• 在HCC风险分层和早期检测方面,STARHE-RISK和STARHE-DETECT表现强.
• 这些模型为个性化,基于风险的HCC监测计划提供了潜在的有价值工具,补充了现有的临床和生物数据.