预测早期复发和风险分层的肝细胞癌经过跨动脉化学栓塞实现成像完全响应基于对比增强CT机器学习的早期复发预测和风险分层的肝细胞癌

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 通过成像完全响应 (CR) 进行跨动脉化学栓塞 (TACE) 后肝细胞癌 (HCC) 复发仍然是一个临床挑战.
• 准确预测复发风险对于个性化患者管理至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测TACE后获得CR的HCC患者1年复发风险.
• 确定影响复发的关键临床和对比度增强CT (CECT) 参数.
• 为TACE后的HCC创建一个风险分层工具.

主要方法:

• 追溯分析了122名获得CR后TACE的HCC患者.
• 收集了临床和CECT参数;训练和验证了六种ML模型.
• 极端梯度提升 (XGBoost) 和考克斯回归名图用于预测和风险分层.

主要成果:

• 该XGBoost模型实现了高预测性能 (AUC0.913内部,0.812外部验证).
• 关键预测因素包括ECV,完整囊,FIB-4指数,瘤大小,血小板与中性粒细胞的比率以及延迟期瘤CT值.
• 考克斯回归名谱有效地将患者分为三个不同的风险亚组 (p < 0.01).

结论:

• 一个基于XGBoost的模型准确地预测了CR的TACE后1年的HCC复发.
• 开发的考克斯回归名图为分层复发风险提供了有价值的工具,有助于临床决策.