大型语言模型和Gd-EOB-DTPA增强的基于MRI的术后肝细胞癌风险分层系统:一个多中心研究
Can Yu1, Qi Zhang2, Jia-Xuan Ding1
1Department of Radiology, Harbin Medical University Cancer Hospital, Harbin, China.
European radiology
|February 23, 2026
概括
一个全新的全自动分层系统 (FASS) 集成了血清生物标志物,放射性特征和大语言模型 (LLM) 洞察力,用于手术后肝细胞癌 (HCC) 风险预测.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 肝细胞癌 (HCC) 是一个主要的全球健康问题.
- 准确的预后预测对于指导手术切除后的治疗决策至关重要.
- 目前的HCC风险分层方法往往缺乏集成先进的成像和语义分析.
研究的目的:
- 开发和验证一个全自动化分层系统 (FASS).
- 为了整合血清生物标记物,自动化放射性特征和大语言模型 (LLM) 衍生的语义特征.
- 预测单独的HCC肝切除后患者的预后.
主要方法:
- 从三个中心的448个单独的HCC患者的回顾性招生.
- 自动瘤细分使用修改的MedNeXt损失框架在Gd-EOB-DTPA增强的MRI上.
- 针对特征提取的五个LLM的比较,其中ChatGPT-4o被选为FASS集成.
- 使用一致性指数,时间依赖ROC和决策曲线分析进行预测模型评估.
- 通过RNA测序和途径丰富来探索生物相关性.
主要成果:
- 使用MedNeXt损失框架实现了强大的瘤细分 (Dice = 0.77).
- 聊天GPT-4o展示了用于语义特征提取的最佳预测准确性和完整性.
- 阿尔法-胎蛋白 (AFP),AST和LLM衍生的不规则边缘被确定为总生存的独立预测因素.
- 综合FASS实现了高预后性能 (C指数0.78/0.76) 和有效的患者风险分层 (日志排名p <0.05).
- 转录组分析表明,高风险组的炎症和细胞因子信号激活.
结论:
- FASS提供完全自动化的,可解释的,生物知情的预后评估单独的HCC.
- 该系统支持肝胆瘤学的精确决策.
- 这种自动化平台可实现可靠的术后风险分层,有助于早期识别高风险患者,并可能改善结果.
