基于变压器的深度学习用于在肝细胞癌中进行微血管入侵的术前预测
Ruilin He1,2, Huilin Chen2, Wenjie Zou3
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China.
Cancers
|October 29, 2025
概括
一个新的变压器深度学习模型使用放射性和临床数据准确地预测肝细胞癌 (HCC) 中的微血管入侵 (MVI). 这种方法有助于为HCC患者进行个性化治疗计划.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 微血管侵袭 (MVI) 是肝细胞癌 (HCC) 的关键预后因素.
- 在手术前预测三类MVI仍然具有挑战性.
- 放射学和临床生物标志物为改善评估提供了潜力.
研究的目的:
- 开发和验证基于变压器的深度学习框架.
- 在HCC中整合放射性和临床特征,直接对三类MVI进行分类.
- 实现更准确和个性化的手术前MVI评估.
主要方法:
- 对437名MVI状态的HCC患者进行了回顾性研究.
- 从Gd-BOPTA增强的MRI中提取放射性特征并收集临床数据.
- 适用于MVI分类 (M0,M1,M2) 的两个阶段特征选择的变压器模型.
主要成果:
- 内部测试组 (n=76):准确度为0.733,加权F1得分为0.733,宏观平均AUC为0.880.
- 外部验证集 (n=132):稳定的性能准确度为0.758,加权F1得分为0.768,宏观平均AUC为0.886.
- 对于M1和高风险M2分类,实现了高灵敏度和特异性.
结论:
- 变压器模型使用多模式数据提供准确,客观,三类MVI预测.
- 支持个性化外科规划和改善HCC的临床结果.
- 术前识别高风险的M2患者可以指导治疗策略和移植决策.
