人工智能驱动的CT放射学模型预测TACE耐火性肝细胞癌的预后

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 数据科学数据科学数据科学

背景情况:

• 肝细胞癌 (HCC) 患者通常会对跨动脉化学栓塞 (TACE) 产生抗性.
• 预测这些患者的预后对于指导继续TACE治疗至关重要.
• 现有的预后模型可能无法完全捕捉TACE抵抗后HCC进展的复杂性.

研究的目的:

• 开发和验证一个综合预测模型,用于在TACE耐药性后继续接受TACE的HCC患者.
• 该模型结合了放射学特征,临床风险因素和机器学习算法.
• 评估放射性评分 (rad-scores),巴塞罗那诊所肝癌 (BCLC) 阶段和淋巴细胞与单细胞比率 (LMR) 的预后价值.

主要方法:

• 对108名患有TACE耐药性HCC患者的回顾性分析.
• 从各种边缘的内和周区域提取放射性特征.
• 放射学分数 (rad-scores) 的开发和机器学习算法的评估,包括支持矢量机 (SVM).

主要成果:

• 基于SVM的组合模型实现了高预测准确性 (AUC 0.956训练,0.897测试).
• 确定BCLC阶段和LMR是独立的预后因素.
• 较低的rad-score和较高的LMR与更长的患者存活时间显著相关.

结论:

• 一个基于机器学习的组合模型有效地预测了HCC患者在抵抗后继续TACE的预后.
• 拉德评分,BCLC阶段和LMR是反复TACE在耐火性HCC中的有价值的预后指标.
• 这种综合方法提高了个性化治疗策略的预后评估.