基于CT的2.5D深度学习-多级学习,用于预测肝细胞癌的早期复发,并与复发相关的病理指标相关联

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:

• 肝细胞癌 (HCC) 在治疗后复发是一个重大的临床挑战.
• 准确预测早期复发 (ER) 对及时干预和改善患者结果至关重要.
• 目前的预测模型需要改进,以获得更高的准确性和生物洞察力.

研究的目的:

• 用CT动脉相图片评估2.5D深度学习-多实例学习 (DL-MIL) 模型的预测性能,用于HCC中的ER.
• 探索DL-MIL模型识别的MIL特征的生物学意义和临床相关性.
• 为了比较2.5D DL-MIL模型与传统的放射学和临床模型的疗效.

主要方法:

• 对191名HCC患者 (79名ER,112名非ER) 的CT动脉相图像和临床数据的回顾性分析.
• 开发和比较2.5DDL-MIL,放射学和临床预测模型.
• 使用SHAP分析来解释MIL特征贡献和对生物学意义的相关性分析 (MVI,Ki-67等级).

主要成果:

• 2.5D DL-MIL模型在验证组中获得了0.840的优异AUC,超过了放射学 (0.678) 和临床 (0.598) 模型.
• SHAP分析确定了关键的词包特征 (BoW_02,BoW_09) 作为DL-MIL模型预测能力的重要贡献者.
• MIL特征 (BoW_01,BoW_02,BoW_09,BoW_1) 与微血管入侵 (MVI) 等级和Ki-67表达有显著的相关性.

结论:

• 2.5D DL-MIL模型显示了预测HCC中ER的显著潜力.
• 识别的MIL特征提供了对瘤侵入性和增殖活动的生物学见解,提高了模型的解释性.
• 该模型与现有的放射学和临床方法相比,具有更高的临床效用.