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

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.