非侵袭性多组学放射学模型集成scRNA-seq和批量RNA-seq用于肝细胞癌预后
Yiping Gao1, Yifan Miao1, Hongfa Cai1
1Department of Radiology, Gusu School, The Affiliated Suzhou Hospital of Nanjing Medical University, Nanjing Medical University, Suzhou, Jiangsu, China.
Journal of imaging informatics in medicine
|October 9, 2025
概括
这项研究引入了一种机器学习放射性模型,集成分子数据,以提高肝细胞癌 (HCC) 患者的预后准确性,提供了一种新的非侵入性风险分层方法.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 放射学 放射学是指放射学
背景情况:
- 肝细胞癌 (HCC) 呈现出显著的异质性和复杂的瘤微环境,使预后复杂化.
- 由于这些复杂性,目前HCC的预后方法面临挑战.
研究的目的:
- 开发基于机器学习 (ML) 的放射性预后模型,以改善HCC患者的风险分层.
- 整合单细胞RNA测序 (scRNA-seq) 和放射性数据,以提高预后性能.
主要方法:
- scRNA-seq分析确定了细胞类型和同异质基因.
- 一个九基因瘤微环境 (TME) 签名被开发和用于生存风险分层.
- 一个支持向量机 (SVM) 模型使用与TME分数相关的放射性特征进行训练.
主要成果:
- 较高的TME风险得分与患者存活时间的减少显著相关 (HR:2.13).
- 使用四个特征的SVM放射性模型显示出高预后准确度 (AUC=0.85,C指数=0.78).
- 模型预测与名ogram生存估计相一致,证实了强度.
结论:
- 综合放射性模型显示了对HCC的有希望的预后性能.
- 这种非侵入性方法可能有助于改善患者分层和HCC的临床决策.
