在MRI上的多任务深度学习用于瘤细分和治疗响应预测在肝细胞癌实验模型的肝细胞癌
Guangbo Yu1, Zigeng Zhang2, Aydin Eresen2,3
1Department of Biomedical Engineering, University of California Irvine, Irvine, CA 92697, USA.
Diagnostics (Basel, Switzerland)
|November 27, 2025
概括
一个新的深度学习模型准确地细分肝细胞癌 (HCC) 瘤,并使用MRI扫描预测治疗反应. 这种生物验证的方法提供了一种非侵入性方法,用于监测HCC患者的治疗有效性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 评估肝细胞癌 (HCC) 治疗疗效是具有挑战性的,因为瘤异质性和传统MRI标准的局限性.
- 准确的瘤划分和生物验证的治疗反应预测对于HCC的组合疗法至关重要.
研究的目的:
- 开发和生物验证一个多任务深度学习模型,用于同时进行HCC瘤细分和治疗结果预测.
- 在临床前HCC模型中利用多参数MRI数据进行治疗反应的非侵入性监测.
主要方法:
- 一个U-Net++深度学习架构与一个EfficientNet-B0编码器被开发用于同时分段和分类任务.
- 多参数MRI (T1w,T2w,对比度增强) 每周都在一只小鼠模型中获得.
- 模型性能使用Dice系数和AUROC进行评估,并通过组织学验证 (H&E,TUNEL) 来确定生物相关性.
主要成果:
- 多任务模型在瘤细分 (Dice=0.92,IoU=0.86) 和结果预测 (AUROC=0.97,精度=85.0%) 中取得了高精度.
- 来自MRI的深度学习生物标志物与瘤活力和亡的组织学标志物有很强的相关性 (RMSE:活力=0.1069,亡=0.013).
- 该模型成功捕获了与治疗诱导的组织学变化相关的生物学相关的成像特征.
结论:
- 使用临床MRI序列的多任务深度学习框架可以非侵入性地监测HCC的治疗反应.
- 该模型将成像特征与瘤生物学联系起来的能力为评估治疗疗效提供了一个转化途径.
- 这种方法支持开发更具临床适用性的HCC管理策略.
