机器学习驱动的预测肝细胞癌中内三级淋巴体结构,使用对比增强CT成像和综合临床数据

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 三级淋巴体结构 (TLSs) 在瘤免疫和患者预后方面至关重要.
• 在肝细胞癌 (HCC) 中非侵入性地预测内TLS是具有挑战性的.
• 准确评估TLS可以指导个性化治疗策略.

研究的目的:

• 开发和验证一个机器学习框架,用于预测HCC的内TLS.
• 利用术前计算机断层扫描 (CT) 成像和临床数据进行非侵入性预测.
• 评估联合临床和放射性模型在预测TLS方面的性能.

主要方法:

• 对171名手术前CT扫描和临床数据的HCC患者的回顾性分析.
• 从CT图像中提取放射性特征,并使用统计方法和LASSO回归选择相关特征.
• 开发临床,放射学和联合机器学习模型,包括通过AUC和校准评估的预测名录.

主要成果:

• 组合模型在内TLS中实现了高预测准确度 (AUC:0.947培训,0.909验证).
• 专白素 (ALBI) 评分被确定为TLS表达的独立预测因子.
• 综合模型的表现明显优于独立的临床和放射学模型.

结论:

• 整合CT成像和临床数据的机器学习模型准确地预测HCC中内TLS的非侵入性.
• 这种预测工具可以增强临床决策和个性化HCC的治疗策略.
• 开发的框架为评估HCC瘤微环境特征提供了一个有希望的方法.