文献速递腹部介入MR

多算法分析预测肝细胞癌TACE术前应答的多相MRI研究

Multi-algorithms analysis for pre-treatment prediction of response to transarterial chemoembolization in hepatocellular carcinoma on multiphase MRI.
PubMed 文献 · Insights Imaging · 2023-02-28

本研究回顾性纳入144例接受TACE治疗的HCC患者,比较KNN、SVM、Lasso和DNN四种分类器基于多相MRI影像组学预测TACE应答的性能,并构建结合临床因素的联合模型。DNN在测试集和外部验证集中表现最佳,临床联合DNN模型(CD模型)在训练集AUC达0.974,外部验证集AUC为0.735,提示其有助于术前筛选可能从TACE获益的患者。

要点

  • DNN模型在测试集和外部验证集中预测TACE应答的泛化能力优于KNN、SVM和Lasso。
  • CD模型(临床+DNN)训练集AUC 0.974,外部验证集AUC 0.735,优于单纯临床模型。
  • Child-Pugh分级和门静脉侵犯是TACE应答的独立临床预测因素。

核心结论

  • DNN模型在预测TACE应答方面优于其他分类器,与临床显著因素整合后的CD模型可能有助于HCC患者TACE术前咨询。

研究设计与样本

  • 单中心回顾性研究,纳入2016年4月至2021年6月接受TACE治疗的144例初治HCC患者,按8:2随机分为训练集和测试集,另收集2021年8月至2022年10月的28例患者作为独立外部验证集。
  • 所有患者术前和术后接受1.5-T或3.0-T MR扫描仪的多相增强MRI,包括T2WI、动态增强T1WI(动脉期、门静脉期、延迟期、肝胆期)和DWI。
  • 以mRECIST标准评估TACE应答,CR和PR归为客观应答(OR)组,PD和SD归为非客观应答(NOR)组,由两名腹部放射科医师基于随访MR图像判定。
  • 从T2WI和3个动态增强期相图像中提取影像组学特征,每个序列110个特征,共440个特征,比较KNN、SVM、Lasso和DNN四种分类器,并构建临床联合模型。

关键影像表现/征象

  • 训练集中Lasso的AUC为0.941、敏感度0.982,DNN的准确度0.870、特异度0.864最高;测试集中DNN的AUC 0.837、准确度0.759、敏感度0.923最优;外部验证集中DNN的AUC 0.796、准确度0.714、特异度0.857。
  • 训练集中CD模型AUC 0.974(95% CI: 0.951-0.998),敏感度0.928,特异度0.898;测试集AUC 0.831(95% CI: 0.667-0.998),敏感度0.846,特异度0.812;外部验证集AUC 0.735(95% CI: 0.529-0.941),敏感度1,特异度0.571。
  • 临床模型训练集AUC 0.637、敏感度0.732、特异度0.474;CL模型训练集AUC 0.943、敏感度0.928、特异度0.847。
  • 外部验证集中临床模型AUC 0.543(敏感度0.714,特异度0.5),CL模型AUC 0.658(敏感度0.78,特异度0.571)。
  • Child-Pugh分级(p=0.05)和门静脉侵犯(p=0.025)在NOR与OR组间差异有统计学意义。

诊断标准与关键数值

  • TACE应答采用mRECIST标准分级:完全缓解(CR)为病灶完全消失;部分缓解(PR)为存活靶病灶(动脉期强化)直径总和减少至少30%;疾病进展(PD)为存活靶病灶直径总和增加至少20%;稳定疾病(SD)为既非PR也非PD;CR和PR为客观应答(OR),PD和SD为非客观应答(NOR)。

临床应用与阅片要点

  • 术前多相MRI影像组学联合临床因素(Child-Pugh分级、门静脉侵犯等)可辅助预测HCC患者TACE应答,DNN模型泛化能力较好。
  • 门静脉侵犯并非TACE绝对禁忌,但阳性患者TACE应答倾向不佳,需个体化评估。
  • CD模型训练集性能高但外部验证集AUC降至0.735,校准曲线提示预测与实际一致性有待改善,临床使用需谨慎解读。

局限性

  • 本研究为单中心回顾性研究,样本量有限(训练集144例,外部验证集28例)。
  • 校准曲线显示预测结果与实际一致性有待提高。
  • 外部验证集AUC(0.735)明显低于训练集(0.974),泛化性能仍需更大样本验证。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2023 Feb 28;14:38. doi: 10.1186/s13244-023-01380-2

引言

肝细胞癌(HCC)是全球第六大常见恶性肿瘤,也是癌症相关死亡的第三大原因[1]。HCC具有起病隐匿、恶性程度高、进展迅速的特点。因此,高达70%的患者在临床确诊时已处于中晚期,不足20%具有手术指征[2, 3]。对于这些晚期HCC患者,经动脉化疗栓塞(TACE)已成为一线主要或辅助临床治疗策略。多项随机对照试验(RCT)研究表明,TACE可在不同程度延缓肿瘤进展,从而为初始不可切除的HCC患者提供潜在的手术切除机会[4–6]。然而,由于肿瘤生物学行为的高度异质性,如基因表达、血管侵犯状态和肿瘤大小的差异,患者对TACE的肿瘤反应因人而异[7]。有效的TACE可使患者获益,而无效的治疗则会增加患者负担并造成医疗资源浪费。因此,术前选择合适的患者接受TACE治疗至关重要,构建精准的TACE治疗反应预测模型具有重要价值。

临床上,磁共振成像(MRI)作为癌症诊断中的常规技术,为分析HCC提供了无创手段[8]。影像组学是一种有前景且易于使用的模态,涉及从放射学图像中提取定量特征[9, 10]。近期研究表明,从肝脏MR图像中提取的特征与微血管侵犯(MVI)相关[11],并对HCC患者的TACE反应具有预测能力[12–14]。通常,影像组学研究包括四步工作流程,其中单一数学模型的构建与评估被视为流程的最后一步[15, 16]。然而,有时所提出的模型不够理想,因为大多数训练模型的最高曲线下面积(AUC)未达到0.9[13, 14]。因此,一些研究者转向更具优势的算法,如机器学习和深度学习,以实现肿瘤学领域模型的优化与改进[17–19]。具体而言,人工智能(AI)技术被认为是接受TACE治疗的HCC患者精准临床管理和决策的潜在工具[20–22]。医学数据的持续收集和AI技术的进步使研究者能够构建纳入HCC治疗评估多种预测因素的模型。

然而,目前尚不清楚哪种算法最为高效和最优,且比较多种分类器的研究较为匮乏。因此,本研究的主要目的是比较四种预测模型在HCC患者干预前预测TACE反应的准确性。四种预测模型包括机器学习分类器k近邻(KNN)、支持向量机(SVM)、最小绝对收缩和选择算子(Lasso)以及深度学习分类器深度神经网络(DNN)。次要目的是将这些分类器分别与临床预后因素整合,构建最强效的综合模型。

材料与方法

研究样本

本研究已获得机构审查委员会批准。由于本研究为回顾性研究,无需知情同意。我们回顾性纳入了2016年4月至2021年6月期间在一家中心连续接受经导管动脉化疗栓塞(TACE)治疗肝细胞癌(HCC)的所有患者。纳入标准包括:接受首次TACE治疗且在TACE前后均行增强磁共振(CE-MR)检查、临床信息完整(即人口学资料、术前肝炎病史、血清甲胎蛋白(AFP)水平及肝功能检查)的HCC患者。排除标准包括:未成年患者;随访期间接受同步治疗(如切除术、全身化疗);合并其他恶性肿瘤;术后随访不足3个月。HCC经组织学或MR图像评估确诊。共有144例初治HCC患者(中位随访时间13.8周)符合纳入标准。为进一步验证所建立模型的泛化能力,我们收集了2021年8月至2022年10月期间接受TACE治疗的28例HCC患者作为独立外部验证集。这些患者的纳入和排除标准与前文数据集一致。

TACE操作及TACE疗效的参考标准

所有纳入患者均接受TACE治疗,包括传统TACE(cTACE)和药物洗脱微球TACE(DEB-TACE)。介入医师根据肿瘤负荷和患者特征选择cTACE或DEB-TACE。除栓塞剂不同外,DEB-TACE的基本治疗流程与cTACE相似。cTACE使用碘化油(Guerbet)、明胶海绵颗粒和聚乙烯醇作为栓塞剂。在技术条件允许时,对肿瘤供血血管行选择性或超选择性栓塞 [23]。DEB-TACE使用直径100–300 μm的CalliSpheres®微球(CB;江苏恒瑞医药股份有限公司)作为载体,负载60–80 mg表柔比星、吡柔比星或多柔比星。所有操作均由具有至少10年经验的介入医师实施。所有患者在TACE术后均住院接受术后支持治疗并接受常规管理。

研究队列的TACE疗效判断依据改良实体瘤疗效评价标准(mRECIST)[24]进行。简言之,TACE治疗反应分为四级:(a)完全缓解(CR):病灶完全消失;(b)部分缓解(PR):存活靶病灶(动脉期强化)直径总和缩小至少30%;(c)疾病进展(PD):存活(强化)靶病灶直径总和增加至少20%;(d)疾病稳定(SD):既非PR亦非PD。根据mRECIST,CR和PR患者归为客观缓解(OR)队列,PD和SD患者归为非客观缓解(NOR)组。该评估由两名专业腹部放射科医师基于随访MR图像确定。在纳入的144例患者中,75例归入NOR组,69例归入OR组。在独立外部验证集中,NOR组14例,OR组14例。

MRI图像采集

在TACE前后,所有纳入的患者均使用1.5-T和3.0-T MR扫描仪接受钆喷酸葡胺增强MR成像。对于Philips ENGENIA 3.0-T MR扫描仪(Philips Medical Systems),成像序列包括:采用频谱预饱和反转恢复的轴位T2加权序列、屏气平扫和增强后(注射0.1 mmol/kg钆喷酸葡胺(Gd-DTPA)后)mDIXON-T1加权(水)序列以及屏气扩散加权回波平面序列。主要图像采集参数如下:T2加权序列,重复时间(TR)3000 ms,回波时间(TE)200 ms,矩阵:200 × 195,层厚7 mm,层间距1 mm;屏气T1加权,TR 3.6 ms,TE1/TE2:2.38/4.76 ms,矩阵:224 × 166,层厚5 mm,层间距2.5 mm,视野(FOV):400 mm × 314 mm,扫描4个动态期,分别为肝动脉期(AP)(25–30 s)、门静脉期(PVP)(60–70 s)、延迟期(DP)(180 s)和肝胆期(HBP)(20 min);扩散加权回波平面序列,TR 2500 ms,TE 64 ms,层厚7 mm,层间距1 mm,FOV:400 × 343 mm,矩阵:116 × 97,b值0和800 s/mm2。

对于德国MAGNETOM Area 1.5 T MR扫描仪,MRI扫描序列包括:T2加权序列:TR 3500 ms,TE 90 ms,FOV 380 mm × 380 mm,矩阵320 × 320;CE-MR扫描采用三维容积内插(3D-VIBE):TR 4.1 ms,TE 1.8 ms,FOV:380 mm × 380 mm,矩阵:320 × 320,层厚5 mm,层间距1 mm。注射对比剂Gd-DTPA(剂量0.1 mmol/kg,流速2 ml/s)后,分别在25 s、60 s和180 s采集AP、PVP和DP图像。

图像分割与影像组学特征

研究流程图见图1。肿瘤的感兴趣体积(VOI)由读者1(具有3年腹部影像经验的放射科医师)和读者2(具有10年腹部肿瘤经验的放射科医师)使用3D Slicer 4.10版(www.slicer.org)手动勾画。VOI绘制于T2加权图像和3个动态增强期图像(即AP、PVP和DP)上。参与分割的放射科医师对所有临床和预后信息均不知情。为标准化体素间距并控制图像噪声,所有图像均重采样为1 × 1 × 1 mm3体素,固定箱宽为25。使用PyRadiomics工具包[25]自动提取T2加权图像和3个增强期图像的影像组学特征。每个序列自动提取110个影像组学特征。因此,此过程共提取440个定量特征。

为评估提取特征的可变性,随机抽取所有纳入病例的25%,由读者1(重测变异性)和读者2(观察者间变异性)再次独立勾画。第二次病灶分割在首次分割后2个月进行。采用组内相关系数(ICC)阐述重测和观察者间重复性,ICC大于0.75表示重现性良好。

图1 研究流程图。缩写:KNN,k近邻;SVM,支持向量机;Lasso,最小绝对收缩和选择算子;DNN,深度神经网络 查看原图 ↗

四种预测模型

本实验比较了四种模型的预测能力,包括机器学习分类器K近邻(KNN)、支持向量机(SVM)、Lasso和深度学习分类器深度神经网络(DNN)。各算法的示意图见图1。所有前述影像组学特征在模型训练前均使用Z-score进行标准化。为减少冗余特征并防止减少偏倚或过拟合,在KNN和SVM模型中使用最小冗余最大相关(mRMR)方法进行降维。最终保留10个特征用于构建模型。由于Lasso和DNN在模型训练过程中可以自动且非优先地降低特征维度,因此无需额外的特征选择方法。

本研究应用的第一个预测模型是KNN算法,这是一种基于实例的学习方法,使用k个最近邻来对新样本的未知数据进行分类[26]。在实验中,KNN的邻居数为4。本研究使用的第二个预测模型是SVM,它是一种监督算法,根据对象类别将特征空间分离为超平面[27]。SVM还使用核函数来区分非线性可分离的类别。SVM的核函数为径向基函数,gamma为0.2。因此,SVM算法支持线性和非线性分类。

本研究使用的第三个预测模型是Lasso[28],它可以同时实现数据降维和特征选择。基于所选特征各自系数的线性方程,建立Lasso模型并获得每位患者相关的Lasso评分。第四个预测模型是DNN[29],它是一种在输入特征和输出预测之间具有多个人工神经网络层的人工神经网络。DNN模型中的每个线性层通过非线性激活函数连接,以学习复杂的非线性关系。在本研究中,我们使用了带有BatchNorm和Dropout模块的神经网络以获得更好的性能。BatchNorm[30]是一种小批量归一化函数,可以防止网络过拟合并加速训练。Dropout[31]是一种正则化工具,在训练过程中从神经网络中随机丢弃神经元。网络层数为三层,每层节点数为440-220-2。网络的每一层通过修正线性单元(ReLU)激活函数连接,dropout率为0.5。输出的最终激活使用softmax函数产生0到1之间的评分。在DNN实验中,使用余弦退火学习率,学习率设置为0.01。所有可训练参数通过Adam算法优化,批量大小为32,网络训练200个 epoch。

综合模型的构建与验证

对于临床因素,应用单因素和多因素logistic回归分析以确定训练集中TACE反应的独立预测因素。包括前述分类器输出(相应输出值)和临床病理变量在内的多模态特征通过多因素logistic回归分析纳入综合模型。

基于AUC、灵敏度和特异度,通过ROC曲线检验预测模型的判别能力。绘制校准曲线以比较预测和实际发生率之间的TACE反应概率。使用Delong检验对ROC曲线的AUC进行比较。为确定模型的临床价值,进行决策曲线分析(DCA)以估算不同阈值概率下的净获益。

统计分析

统计分析使用SPSS v25.0、R v4.0.4.和Python v3.7.6进行。用于KNN、SVM和Lasso建模的Python包分别为sklearn.neighbors.KNeighborsClassifier、sklearn.svm.SVC、sklearn.linear_model.Lasso(sklearn机器学习库版本为1.0 [32])。深度学习DNN建模在pytorch平台(版本1.10.0)上进行。将144例纳入患者按8:2的比例随机分为训练集和测试集。在训练集和测试集中分别评估OR组和NOR组之间患者特征数据的差异。为识别对TACE反应有显著意义(p < 0.05)的预测因素,连续变量根据Kolmogorov–Smirnov检验结果使用T检验或Mann–Whitney U检验进行分析;分类变量使用卡方检验或Fisher精确分析进行分析。所有统计检验均为双侧检验;p值 ≤ 0.05被认为具有统计学意义。

结果

患者特征

表1显示了NOR组和OR组之间人口学、临床特征和MR影像特征的单因素分析结果。在144例纳入患者中,124例(86.11%)为男性,20例(13.89%)为女性。在训练集中,48.6%的患者(115例中的56例)出现OR结局。同样,在测试集中,44.8%的患者(29例中的13例)出现OR结局。Child–Pugh分级(p = 0.05)和门静脉侵犯(p = 0.025)等指标显示NOR和OR患者之间存在统计学差异;因此,这些特征被提交至后续模型。

表1 训练集和测试集中患者的临床特征 查看原表 ↗

预测模型的比较

表2列出了四种预测模型的预测性能,我们使用ROC曲线下面积(AUC)、准确率(ACC)、灵敏度和特异度作为主要测量指标。预测模型使用提取的影像组学特征建立。在训练集中,Lasso在AUC(0.941)和灵敏度(0.982)方面优于其他模型;DNN在预测ACC(0.870)和特异度(0.864)方面具有最高值。在测试集中,DNN在AUC(0.837)、ACC(0.759)和灵敏度(0.923)方面优于其他模型。在外部验证集中,DNN模型获得了最佳的泛化性能,AUC为0.796(准确率:0.714,特异度:0.857)。总体而言,Lasso和DNN模型的表现优于KNN和SVM模型,这可能是由于DNN和Lasso能够自动选择最重要和最合适的特征。为简化研究流程,KNN和SVM算法未在我们后续分析中考虑。

然后,训练好的Lasso和DNN模型输出每位患者的相应评分,评分分布如图2所示。在训练集中,Lasso和DNN评分在非客观缓解与客观缓解患者之间均存在显著差异(两者p < 0.0001),这在测试集和外部验证集中得到进一步验证。总体而言,达到客观缓解结果的患者评分更高。

表2 各种模型在训练集、测试集和外部验证集中的预测性能 查看原表 ↗
图2 A 训练集中LASSO评分分布;B 测试集中LASSO评分分布;C 外部验证集中LASSO评分分布;D 训练集中DNN评分分布;E 测试集中DNN评分分布;F 外部验证集中DNN评分分布 查看原图 ↗

综合模型的构建与验证

为进一步提高模型性能,我们基于临床和影像组学特征开发了综合模型。首先,将具有统计学意义的变量(即Child–Pugh分级和影像学静脉侵犯)以及一些临床重要变量(如AFP和AST)纳入建立临床模型,作为与综合模型比较的基线模型。然后,将Lasso和DNN评分与临床指标相结合,构建综合模型,即临床与Lasso融合模型(CL模型)和临床与DNN融合模型(CD模型)。三种模型的AUC、敏感性和特异性结果如图3所示。在训练集中,临床模型的AUC、敏感性和特异性分别为0.637、0.732和0.474;CL模型的结果分别为0.943、0.928和0.847;CD模型表现更优,AUC、敏感性和特异性分别为0.974、0.928和0.898。在测试集中,临床模型的结果分别为0.685、1和0.375;CL模型的AUC、敏感性和特异性分别为0.716、0.76和0.75;CD模型相比其他模型获得了更好的AUC(0.831),敏感性和特异性分别为0.846和0.812。在外部验证集中,CD模型泛化良好,AUC为0.735(敏感性:1,特异性:0.571),而临床模型和CL模型的结果分别为0.543(敏感性:0.714,特异性:0.5)和0.658(敏感性:0.78,特异性:0.571)。

所建立模型的ROC曲线如图4所示。在训练集中,根据Delong检验结果,CD模型显著优于其他模型(AUC 0.974,95% CI:0.951–0.998)(p < 0.05)。这一性能在测试集(AUC 0.831,95% CI:0.667–0.998)和外部验证集(AUC 0.735,95% CI:0.529–0.941)中得到进一步证实,表明CD模型在预测未见新患者的TACE反应方面具有良好的泛化能力。尽管图5所示的校准曲线显示预测结果与实际状况之间的一致性有待改善,但图6所示的决策曲线分析表明,与竞争模型相比,CD模型提供了最高的净获益。

图3 A 训练集数据;B 测试集数据;C 外部验证集数据。在预测TACE反应的性能指标方面对综合模型进行比较。缩写:CL模型,临床与Lasso融合模型;CD模型,临床与DNN融合模型;AUC,曲线下面积 查看原图 ↗
图4 (A)临床模型、(B)CL模型(临床与Lasso融合模型)和(C)CD模型(临床与DNN融合模型)预测TACE反应的受试者工作特征曲线分析 查看原图 ↗
图5 A 临床模型、B CL模型(临床与LASSO融合模型)和C CD模型(临床与DNN融合模型)预测TACE反应的校准曲线 查看原图 ↗
图6 采用决策曲线分析(DCA)评估训练后模型对TACE反应的临床价值。y轴衡量净获益,x轴代表阈值概率。与竞争模型相比,CD模型提供了最高的净获益。CL模型,临床与Lasso融合模型;CD模型,临床与DNN融合模型;All,全部干预策略;None,完全不干预策略 查看原图 ↗

讨论

在本研究中,我们比较了四种算法在预测HCC患者TACE疗效方面的性能,发现Lasso和DNN模型表现更好。与基线临床模型相比,整合临床重要指标的综合模型可显著提高预测性能。在这些模型中,CD模型(临床与DNN融合模型)的能力更优(AUC:0.974),测试集和外部验证集进一步证实了这一点。

关于临床因素,我们发现Child–Pugh分级和门静脉侵犯与初始治疗结局显著相关。Child–Pugh分级用于评估保留的肝功能,可能有助于指导HCC患者的治疗选择[33, 34]。此外,在我们的研究中,门静脉侵犯阳性的患者往往获得不利的TACE结局。这也与既往观察结果一致[35],其表明门静脉侵犯是TACE的强危险因素。尽管理论上,伴有门静脉侵犯的HCC被视为TACE的禁忌证,但许多研究者[35–37]得出结论,伴有门静脉侵犯的HCC患者可以安全且切实可行地施行TACE。门静脉侵犯并非TACE的绝对禁忌证。因此,介入医师需要根据不同患者的门静脉侵犯状态进行个体化评估,以制定个性化治疗方案。

既往研究已探讨了放射组学和深度学习在肿瘤学临床诊断、治疗策略及预后评估中的表现[38–41]。事实上,Kong等此前已开展过一项利用MR图像预测TACE反应的研究,但结果不够理想,最高AUC为0.884。在图像输入方面,既往研究仅采用单序列图像(即T2WI)来训练模型[12]。本研究以四个序列的MR图像作为输入,与既往研究相比将AUC从0.812提高至0.941。这提示不同序列的MR图像可能提供更多信息,并进一步提高模型的预测性能。此外,该过程中仅涉及单一数学模型,最终提出的模型不够理想(AUC = 0.861)。因此,有必要专门比较不同的潜在算法并挑选出最稳健的一种。

在本研究中,我们比较了四种分类器在预测HCC患者TACE反应方面的性能。在使用相同提取特征输入时,DNN和Lasso模型的预测性能优于其他预测模型。DNN和Lasso分类器在训练集中的性能相似。然而,DNN在测试集和外部验证集中的AUC和ACC均显著更高,表明DNN模型的泛化能力可能优于Lasso模型。尽管LASSO和DNN模型能够取得相对满意的性能,但重要非放射组学变量在预测模型中的作用不可忽视[42]。因此,我们建立了整合临床信息和特征分类器的综合模型。与基线临床模型相比,CL和CD模型均显示出改善的预测性能,而CD模型的优化效果更好。具体而言,CD模型在训练集中将AUC值从0.637提高至0.974。这也在测试集(AUC值从0.685提高至0.831)和外部验证集(从0.543提高至0.735)中得到证实,表明CD模型在预测未知新病例的TACE反应方面获得了良好的稳健性。同样,既往研究[43, 44]表明,DNN在预测临床终点方面优于其他传统方法(如SVM或Lasso)。对此的一种可能解释是,DNN可借助BatchNorm和Dropout模块防止网络过拟合[30, 31]。另一方面,DNN可根据每个参数的贡献自动为其分配合适的权重,无需降维,从而非常有效地整合不同的大数据[45]。

我们的研究存在若干局限性。首先,纳入的受试者相对有限,可能导致选择偏倚。所提出模型的校准能力不够令人满意,这可能与选择偏倚有关。因此,需要纳入更多样本以优化模型。尽管如此,根据模型的决策曲线分析,CD模型的净获益显著高于简单临床模型和CL模型,表明CD模型参与辅助决策在临床实践中更具实用性。其次,本研究基于单中心机构的数据,需要多中心研究来进一步证明所提出模型的泛化能力,并优化TACE治疗的精准医疗管理。

总之,本研究中模型性能比较的结果表明,DNN模型是预测HCC患者TACE反应最具临床实用性的方法。在整合临床显著因素后,所提出的CD模型(临床与DNN融合模型)可能在HCC患者治疗前咨询中具有价值,有助于识别最可能从TACE中获益的患者。

引用

  1. Chen, Kong, Qiao, et al. Multi-algorithms analysis for pre-treatment prediction of response to transarterial chemoembolization in hepatocellular carcinoma on multiphase MRI. Insights Imaging. 2023. PMID: 36854872. doi:10.1186/s13244-023-01380-2
  2. 全文:PMC9975141(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9975141/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。