使用深度学习来预测基于多相磁共振成像的增殖性肝细胞癌的价值
Fengxi Chen1, Yuxin He2, Lizhen Liu1
17T Magnetic Resonance Translational Medicine Research Center, Department of Radiology, Southwest Hospital, Army Medical University (Third Military Medical University), Chongqing, China.
Quantitative imaging in medicine and surgery
|October 13, 2025
概括
一个新的混合深度学习 (DL) 模型使用MRI扫描准确预测多发性肝细胞癌 (PHCC). 这种人工智能工具有助于针对这种侵袭性肝癌亚型的个性化治疗计划.
科学领域:
- 放射学和成像学 放射学和成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 增殖性肝细胞癌 (PHCC) 是一种具有高复发率和不良预后的侵袭性肝癌亚型.
- 准确的手术前PHCC识别对于患者管理至关重要,但与传统成像具有挑战性.
- 加多酸二 (Gd-EOB-DTPA) 增强型MRI是一种关键的成像方式.
研究的目的:
- 开发和验证基于深度学习 (DL) 的模型,用于PHCC的手术前预测.
- 用多相Gd-EOB-DTPA增强的MRI数据进行PHCC预测.
- 为了比较DL,临床放射学和混合模型的性能.
主要方法:
- 对1111名接受Gd-EOB-DTPA增强型MRI的HCC患者进行了回顾性分析.
- 使用AutoGluon开发一种混合模型,将DL和临床放射学特征结合起来.
- 在培训,内部和外部队列中的验证;通过AUC和RFS评估的性能.
主要成果:
- 混合模型实现了高AUC (0.922培训,0.894内部验证).
- 在内部 (AUC:0.857对0.747) 和外部 (AUC:0.788对0.625) 验证方面,DL模型的表现优于临床放射学模型.
- 混合模型的高风险分类与明显较短的无复发生存期 (RFS) 相相关.
结论:
- 开发的混合模型显示了在手术前预测PHCC的巨大潜力.
- 这种人工智能驱动的方法可以帮助临床医生为肝癌患者量身定制治疗策略.
- 进一步验证可能会提高肝细胞癌管理中的个性化治疗决策.
