用Gd-EOB-DTPA增强的MRI放射学和深度学习模型来预测肝细胞癌的病理分化程度
Kaiying Wu1, Zhu Zhu1, Dabo Xu1
1Department of Radiology, The First People's Hospital of Taicang, Affiliated Hospital of Soochow University, Suzhou, Jiangsu 215400, China.
European journal of radiology
|October 29, 2025
概括
通过将深度学习和放射学与临床数据相结合,可以更好地预测肝细胞癌 (HCC) 的分化. 这种综合方法提高了诊断准确度,以便更好地规划治疗.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 准确的肝细胞癌 (HCC) 病理差异化对于治疗规划至关重要.
- 传统方法可能无法完全捕捉HCC分化的复杂性.
- 先进的成像分析技术为改善预测提供了潜力.
研究的目的:
- 评估将Gd-EOB-DTPA增强型MRI放射学和深度学习 (DL) 模型与临床放射学 (CR) 特征相结合的疗效,以预测HCC差异化.
- 将集成模型的预测性能与单个组件进行比较.
主要方法:
- 一项回顾性研究包括409名手术前Gd-EOB-DTPA增强MRI的HCC患者.
- 通过单变量和多变量分析确定了临床和放射性特征.
- 抽取了放射性和DL特征;使用AUC,灵敏度,特异性,校准和DCA曲线构建和验证了各种模型 (CR,放射性,DL,DLR,CR-DLR).
主要成果:
- 年龄,AFP,囊和周围瘤低血压是HCC差异化的独立预测因素.
- 综合CR-DLR模型在验证组中显示出最高的预测性能 (AUC = 0.794),优于单独的CR,DL,放射学和DLR模型.
- CR-DLR模型显示了比CR和DLL模型的统计学上显著的改进,并表现出高的预测准确性和净收益.
结论:
- 深度学习和放射学与临床和放射学特征的整合显著提高了HCC病理差异化的预测.
- 这种综合方法为临床医生提供了有价值的见解,可能会为HCC患者提供更优化和个性化的治疗策略.
