通过优化的MR Radiomics组合策略和机器学习预测器来改善肝细胞癌中微血管入侵的手术前预测

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 在肝细胞癌 (HCC) 中进行微血管入侵 (MVI) 的术前预测对于个性化治疗和改善患者存活率至关重要.
• 现有的基于MRI的增强型MRI模型用于HCC中MVI预测,其限制在于需要非成像数据和主观区域确定,这阻碍了临床应用.
• 这些局限性影响了HCC患者的临床决策和管理.

研究的目的:

• 开发一个增强的手术前预测模型,用于MVI在HCC.
• 通过将优化的MR Radiomics战略与机器学习预测器相结合,克服现有模型的局限性.
• 提高MVI预测在HCC中的准确性和临床适用性.

主要方法:

• 从增强的T1加权MRI扫描中手动细分HCC以生成面具图像.
• 从HCC区域提取1692个MR放射学特征.
• 应用一个优化的MR Radiomics组合策略与5倍交叉验证来选择和接特征.
• 构建一个随机森林 (RF) 预测器,使用精选和融合的放射性特征进行MVI预测.

主要成果:

• 拟议的模型 (RF + LASSO + SPECTRAL-10) 实现了0.7520 ± 0.0867.7的平均精度.
• 该模型显示平均精度为0.7354 ± 0.1863,平均回忆率为0.6955 ± 0.2203,平均F1得分为0.6943 ± 0.1437.
• 平均AUC达到0.7962±0.1700,表明强大的预测性能.

结论:

• 开发的手术前预测模型有效地预测HCC的MVI.
• 该模型显示了作为管理HCC患者的临床医生有价值的决策工具的潜力.
• 这种方法增强了个性化治疗策略,可以改善患者的治疗结果.