增强TIPS后肝脑病变风险分层:一个混合TabPFN模型利用放射学,深度转移学习功能和MELD得分
Lei Miao1, He Zhao1, Xiaowu Zhang1
1Department of Interventional Therapy, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, 17 Panjiayuan Nanli, Chaoyang District, Beijing, 100021, China.
Hepatology international
|November 20, 2025
概括
一个新的机器学习模型准确地预测了经过横内肝移植系统 (TIPS) 程序后的肝脑病变 (HE). 这种工具有助于个性化风险评估和临床决策,为患有门性高血压的患者.
科学领域:
- 医疗信息学 医疗信息学
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 预测肝脏脑病变 (HE) 后的transjugular 肝脏内移植系统分流 (TIPS) 对于管理门高血压和启用早期干预至关重要.
- 当前的预测方法可能缺乏准确性和外部验证,需要先进的建模方法.
研究的目的:
- 开发和验证一个机器学习 (ML) 模型,使用 Tabular Prior-data Fitted Network (TabPFN) 算法来预测 TIPS 后的 HE 的发生.
- 整合放射学和深度转移学习 (DTL) 功能从术前对比增强CT (CECT) 扫描,以提高预测准确性.
主要方法:
- 对接受TIPS的218名患者的回顾性分析,使用手术前CECT扫描进行特征提取.
- 从肝脏,脏,腹部脂肪和肌肉区域提取了放射性和DTL特征.
- 在患者数据上训练并验证了一种TabPFN模型,在单独的队列上进行外部验证. 为了解释性,使用了SHAP分析.
主要成果:
- TabPFN模型实现了高预测性能,AUC为0.953 (训练),0.870 (验证) 和0.942 (外部测试集).
- 肝脏放射学特征被确定为TIPS后的主要预测因素.
- 该模型证明了随着时间的推移持续的准确性,随着时间依赖的AUC在各种后续点超过0.88.
结论:
- 一个基于TabPFN的ML模型整合了CECT放射学,DTL特征和MELD得分,提供了准确和外部验证的TIPS后HE的预测.
- 该模型支持个性化风险分层,并改善TIPS患者的临床决策.
