基于深度学习模型的个性化预测,使用计算机断层扫描作为肝细胞癌切除术后的成像生物标志物

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:

• 之前没有研究使用深度学习 (DL) 模型与计算机断层扫描 (CT) 作为成像生物标志物来预测肝细胞癌 (HCC) 患者的术后长期结果.
• 这项研究旨在验证DL模型用于在接受切除的HCC患者的个性化预后,使用CT作为成像生物标志物.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于预测肝切除后肝细胞癌 (HCC) 患者的术后复发和整体存活率 (OS).
• 评估计算机断层扫描 (CT) 成像作为这些DL模型中的生物标志物的实用性,以实现个性化的预后.

主要方法:

• 分析了一组1733名接受单独HCC肝切除术的患者.
• 深度学习 (DL) 预测模型是使用临床变量和CT成像数据构建的,以预测复发 (2年和5年) 和OS (>5年和>10年).
• 转换的重要性被用来确定每个预测变量的意义,CT成像分析显示最重要的意义.

主要成果:

• 开发的DL模型显示了预测性表现,曲线下的区域 (AUC) 为0.70在2年复发,0.70在5年复发,0.80在5年以上的生存期,0.80在10年以上的生存期.
• CT成像分析被确定为最重要的解释变量.
• 通过DL模型识别的高风险和低风险群体之间观察到术后复发和死亡率的显著差异.

结论:

• 使用CT作为成像生物标志物的验证深度学习 (DL) 模型对于HCC患者的个性化预后有效.
• 这些基于CT的DL模型具有优化治疗计划和改善肝细胞癌患者治疗结果的潜力.