使用MR成像放射学的机器学习可以预测大型肝细胞癌对跨动脉放射栓塞的反应
O Sarioglu1, A Canturk1, R C Yarol1
1Department of Radiology, Dokuz Eylul University Faculty of Medicine, Izmir, Turkey.
Nigerian journal of clinical practice
|September 27, 2025
概括
使用MRI扫描中的放射性信息的机器学习模型可以预测大型肝细胞癌 (HCC) 瘤的治疗反应,这些瘤被用跨动脉放射栓塞 (TARE) 治疗. 这些模型有望改善患者的治疗结果.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 大型肝细胞癌 (HCC) 瘤 (>5厘米) 与较差的患者结局有关.
- 超动脉放射栓塞 (TARE) 是HCC的治疗方法,但在大型瘤中预测反应仍然具有挑战性.
- 放射学和机器学习 (ML) 尚未被广泛用于预测TARE对大型HCC病变的反应.
研究的目的:
- 评估结合放射学特征的ML模型在预测大HCC病变的TARE治疗反应方面的有效性.
- 将基于放射学的ML模型与传统的临床模型的性能进行比较.
主要方法:
- 该研究分析了49名患有大型HCC (>5厘米) 的患者,这些患者接受了TARE.
- 在3个月的随访MRI时,使用修改的固体瘤响应评估标准 (mRECIST) 评估了治疗反应.
- 从前处理对比度增强的T1加权 (CE-T1) 和T2加权 (T2W) MRI图像中提取了放射性特征,以训练分类ML模型.
主要成果:
- 使用CE-T1和T2W图像的放射学模型实现了79.6%的精度,AUC分别为0.92和0.77.
- 一个临床模型显示精度为77.6%,AUC为0.65.
- 在放射学模型和临床模型之间没有观察到统计学上显著的差异 (P = 0.092).
结论:
- 机器学习模型利用MRI的治疗前放射学特征,显示出在接受TARE的大型HCC病变患者中预测治疗反应的潜力.
- 放射学分析可能为定制TARE治疗大HCC的策略提供有价值的见解.
