可解释的基于ADC的放射学模型,用于区分肝细胞癌和肝脏内胆管癌
Yun Zhang1, Xiao Yin2, Baowen Guo3
1Department of Radiology, Shenzhen Longhua Maternity and Child Healthcare Hospital, Shenzhen, China.
Frontiers in oncology
|February 19, 2026
概括
这项研究开发了一个逻辑回归模型,使用显微扩散系数 (ADC) 放射学来准确区分肝细胞癌 (HCC) 和肝脏内胆管癌 (ICC). 该模型显示出作为临床诊断的非侵入性工具的前景.
科学领域:
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 和肝内胆管癌 (ICC) 是具有明显预后的原发性肝癌.
- 准确区分HCC和ICC对于适当的治疗选择至关重要.
- 目前的诊断方法可能具有侵入性或缺乏特异性.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,以区分HCC与ICC.
- 为了利用从MRI中提取的显微扩散系数 (ADC) 放射学特征.
- 评估开发模型的临床实用性和通用性.
主要方法:
- 从83名HCC和46名ICC患者的ADC地图中提取了放射性特征.
- 最少绝对收缩和选择操作员 (LASSO) 方法确定了五种ML模型 (逻辑回归,随机森林等) 的关键特征. ) 的情况.
- 使用公共数据 (TCIA) 进行了外部验证,AUROC评估了性能,灵敏度,特异性和校准图.
主要成果:
- 八个基本特征被LASSO选中.
- 后勤回归 (LR) 模型实现了最高的性能:训练AUROC为0.95,内部验证AUROC为0.91,外部验证AUROC为0.85.
- 该LR模型表现出了卓越的校准和临床实用性,其中"波形-LLL-第一顺序-RootMeanSquared"被确定为最有影响力的特征.
结论:
- 一个基于ADC的后勤回归放射学模型有效地区分了HCC和ICC.
- 该模型的性能使用外部公开数据进行了验证,表明了可概括性.
- 这种方法为临床肝癌诊断提供了一个有希望的,非侵入性的工具.
