定量声纳体对比增强超声特征用于预测肝细胞癌的微血管入侵

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
• 机器学习在瘤学中的应用

背景情况:

• 肝细胞癌 (HCC) 的诊断和预后受到微血管入侵 (MVI) 的显著影响.
• 准确预测MVI对于指导治疗决策和改善HCC患者的治疗结果至关重要.
• 目前用于MVI检测的方法通常需要侵入性程序或缺乏足够的预测能力.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于预测HCC中的MVI.
• 整合量化Sonazoid对比增强超声波 (CEUS) 功能与临床数据,以提高MVI预测.
• 评估CEUS定量特征的附加预测价值,而不仅仅是临床数据.

主要方法:

• 追溯分析了来自中国三家医院的556例基因病理学确诊的HCC病例.
• 使用显著的Sonazoid CEUS和临床特征构建和评估十个ML模型.
• 使用接收器运行特征曲线 (AUC) 下面面积的性能评估;结合 (CEUS + 临床) 与临床模型的比较.

主要成果:

• MVI的重要预测因素包括瘤直径,PIVKA-II (≥40 ng/mL),AFP (≥400 ng/mL),十分钟比率和峰值强度的标准偏差.
• 在内部 (AUC = 0.862) 和外部 (AUC = 0.841) 验证队列中,XGBoost组合模型实现了高预测准确性.
• 组合模型在内部 (0.862对0.631) 和外部 (0.841对0.653) 验证中显示出明显高于临床模型的AUC值.

结论:

• 在XGBoost组合模型显示显著的承诺预测MVI在HCC患者.
• 定量SONAZOID CEUS特征在提高MVI预测准确性方面提供了实质性的附加值.
• 这种集成的ML方法为HCC的MVI评估提供了一个非侵入性和准确的工具.