深度学习模型用于评估肝细胞癌患者的生存益处,这些患者接受基于增殖亚型的动脉内疗法

科学领域:

• 肝胆道成像检查 肝胆道成像检查
• 人工智能在瘤学中的应用
• 无线电学和深度学习

背景情况:

• 增殖性肝细胞癌 (HCC) 呈现出具有不良预后的侵袭性亚型,对非侵入性鉴定构成挑战.
• 准确的检测和预后评估对于在不可切割的HCC中量身定制动脉内治疗 (IAT) 至关重要.

研究的目的:

• 开发和验证一个多任务深度学习系统,用于非侵入性检测增殖性HCC.
• 使用放射性和临床数据预测IAT后患者的存活率.
• 根据风险分层评估不同IAT策略 (TACE与HAIC) 的有效性.

主要方法:

• 一项回顾性多中心研究,使用两组对比度增强的CT扫描 (n=398次手术切除,n=1749次不可切除的HCC).
• 一个基于nnUNet的细分管道用于肝脏和瘤划分.
• 一个新的原型Mamba Net (PMN) 架构,用于提取与繁殖性HCC生物学相关的成像特征.

主要成果:

• 深度学习模型实现了AUC为0.825 (培训) 和0.792 (测试) 检测增殖性HCC.
• 综合放射性和临床变量的预测名录显示出比传统分期系统更好的预测性能 (时间依赖的AUC:0.83-0.87).
• 接受肝动脉输液化疗 (HAIC) 的高风险患者比跨动脉化学栓塞 (TACE) 显示出显著的生存益处 (P < 0.001).

结论:

• 开发的深度学习系统可以进行非侵入性手术前识别增殖性HCC.
• 这种人工智能工具支持个性化的IAT治疗选择,可能改善不可切除的HCC患者的治疗结果.
• 使用放射性和临床数据的风险分层可以指导治疗决策,强调HAIC在高风险人群中的好处.