基于深度学习自动分割的MRI影像组学预测肝细胞癌早期复发
单中心回顾性研究纳入434例经手术病理证实、术前接受增强MRI的单发肝细胞癌患者,利用3D U-net自动分割提取影像组学特征,结合环状动脉期高强化和不完整肿瘤包膜构建混合模型,验证集C-index为0.706,2年时间依赖AUC为0.743,优于BCLC和CNLC分期系统。
要点
- 混合模型纳入影像组学特征、环状动脉期高强化和不完整肿瘤包膜,验证集C-index为0.706。
- 验证集2年时间依赖AUC为0.743,高于BCLC的0.550(p<0.001)和CNLC的0.635(p=0.032)。
- 以1.25为 cutoff,训练集低危组24个月无复发生存率75.1% vs 高危组8.3%(p<0.001)。
核心结论
- 基于深度学习自动分割的MRI影像组学特征联合环状动脉期高强化和不完整肿瘤包膜的术前影像模型,能较准确预测单发肝细胞癌根治性切除术后早期复发。
研究设计与样本
- 单中心回顾性研究纳入2009年12月至2021年12月连续434例经手术病理证实的单发肝细胞癌患者,术前1个月内行增强MRI,按7:3随机分为训练集305例和验证集129例。
- 采用基于3D U-net的深度学习算法在T2WI、同相位、反相位、动脉期、门静脉期及延迟期或移行期六个序列上自动分割肝脏和肝细胞癌病灶。
- 从肿瘤、肿瘤边界外扩5 mm、10 mm、20 mm及肝脏感兴趣体积提取影像组学特征,每个序列每个感兴趣体积提取1688个特征。
- 参考标准为术后2年内肿瘤复发定义的早期复发,中位随访55.3个月(IQR 39.0–79.8个月),早期复发142/434例(32.7%)。
关键影像表现/征象
- 评估的MRI征象包括肿瘤大小、强化模式、环状动脉期高强化、晕状强化、不光滑肿瘤边缘、不完整肿瘤包膜、延迟中央强化、强化包膜、瘤内坏死、瘤内脂肪多于邻近肝实质、影像学肝硬化、弥漫性脂肪变、弥漫性铁过载、脾大、腹水、侧支循环、胃食管静脉曲张和主门静脉直径。
- 环状动脉期高强化在多变量Cox分析中与早期复发相关(HR=4.315;95%CI:2.384,7.810;p<0.001)。
- 不完整肿瘤包膜在多变量Cox分析中与早期复发相关(HR=1.370;95%CI:0.831,2.258;p=0.217)。
诊断标准与关键数值
- 最优影像组学特征为肝细胞癌联合5 mm肿瘤边界扩展及肝脏,训练集C-index为0.696(95%CI:0.645,0.746)。
- 混合模型训练集C-index为0.727(95%CI:0.676,0.777),验证集C-index为0.706(95%CI:0.630,0.783)。
- 验证集混合模型2年时间依赖AUC为0.743,高于BCLC的0.550(p<0.001)和CNLC的0.635(p=0.032)。
- X-tile分析确定混合模型最佳 cutoff 值为1.25,低危组<1.25,高危组≥1.25。
- 训练集低危组(n=269)24个月无复发生存率75.1% vs 高危组(n=36)8.3%(p<0.001)。
临床应用与阅片要点
- 作者认为基于深度学习自动分割的MRI影像组学模型联合环状动脉期高强化和不完整肿瘤包膜,可能有助于单发肝细胞癌术后早期复发的个体化风险评估。
- 自动分割与手动分割肿瘤的平均Dice相似系数为0.84±0.13(中位数0.88;IQR 0.82–0.92),基于30个随机选择的肝细胞癌病灶(中位大小4.8 cm;IQR 3.5–8.4 cm)。
局限性
- 原文未报告局限性。
全文中译22 节 · 点击展开
引言
肝细胞癌(HCC)是全球第六大常见癌症类型和第三大最致命恶性肿瘤[1]。手术切除被推荐为早期HCC的一线治疗[2, 3]。然而,即使在接受根治性意图切除后,约70%的患者仍会出现肿瘤复发[1, 2],其中两年内的早期复发占复发的>70%[4, 5]。肿瘤负荷和侵袭性特征,如较差的肿瘤分化、微血管侵犯(MVI)和卫星结节,已被报道与HCC早期复发相关[4, 6–8]。尽管如此,组织病理学生物标志物在治疗前背景下对临床决策的意义有限。因此,无创评估HCC早期复发风险对于个体化治疗至关重要。
磁共振成像(MRI)在HCC的无创诊断和管理中发挥着重要作用。若干语义MR影像特征,如环状动脉期高强化(APHE)、动脉期瘤周强化和肝胆期(HBP)瘤周低信号,已被认为与HCC早期复发相关[8, 9]。然而,这些语义特征由于预测性能有限和观察者间可重复性欠佳,不足以用于预后评估。
放射组学已成为一种新的放射学技术,能够从标准医疗图像中提取超越肉眼检查的高通量定量图像特征,为癌症表型和肿瘤微环境提供重要见解,这些见解与其他临床信息不同且互补[10]。既往研究表明,MRI放射组学分析对HCC术后复发具有良好的预测准确性[6, 11–13]。然而,这些研究通常纳入的样本量有限(例如48–361例患者),并采用手动或半自动分割,这些方法耗时、费力、依赖操作者,且受评估者间变异性的影响。幸运的是,随着人工智能(AI)深度学习(DL)算法的近期进展,肝脏和HCC病灶可以以自动化方式进行分割,这可能提高效率和可重复性[14–16]。DL图像分割模型能够全自动检测肿瘤边缘,实现快速且可重复的HCC分割。肝脏和肿瘤的准确分割是后续定量分析的关键前提,并具有标准化和改善临床管理的巨大潜力。然而,据我们所知,目前关于基于自动分割的MRI放射组学分析用于预测HCC术后早期复发的效用证据有限。
因此,本研究利用DL辅助自动分割技术,旨在基于MRI放射组学特征和临床-影像学特征,开发并验证一个用于预测接受根治性切除的单发早期HCC患者早期复发的预测模型。
材料与方法
本单中心回顾性研究经四川大学华西医院机构审查委员会批准,并豁免知情同意。
患者
回顾性纳入2009年12月至2021年12月期间接受根治性切除术的连续肝细胞癌(HCC)患者。纳入标准为:(a)年龄≥18岁,(b)手术病理证实为HCC,(c)术前未接受HCC治疗,(d)术前1个月内完成增强MRI检查。排除标准为:(a)多发性HCC,(b)大血管侵犯,(c)HCC破裂,(d)基线或随访期间合并HCC以外的其他恶性肿瘤,(e)MR图像质量欠佳(即MR图像仅覆盖部分肿瘤/肝脏,以及MR序列不完整),(f)图像分割不准确(详见下文),(g)临床数据不完整(详见下文),(h)随访时间不足2年。符合条件的患者按7:3的比例随机分配至训练集和验证集(图1A)。
从电子病历中收集基线临床、实验室和組織病理学数据。肝硬化依据临床实践指南进行诊断[17]。每位患者常规行术中超声检查,以发现小的隐匿性HCC并指导切除策略。
值得注意的是,这些患者中有16.8%(73/434)已在我们先前的工作中报道过[18],该研究的主要焦点是與HCC复发相关的MRI特征,未构建影像组学模型。
MRI技术
MRI采用各种3.0-T或1.5-T扫描仪进行。MRI对比剂的选择(细胞外对比剂或肝胆特异性对比剂)由外科医生或多学科团队决定。MRI系统和采集方案详见补充材料1和表S1。
MRI评估
两名腹部放射科医生(H.Y.J.和H.W.,分别具有8年和5年肝脏MRI经验)独立审阅了所有去标识化的MR图像。他们被告知HCC诊断,但对其他临床、組織病理学和随访信息设盲。两名阅片者之间的分歧由一位具有20余年肝脏MRI经验的资深腹部放射科医生解决。
按病灶逐一评估以下特征:(a)肿瘤大小(cm),(b)强化模式(典型 vs 非典型,典型强化模式指存在非环状动脉期高强化(APHE)合并非周边“廓清”[19]),(c)环状APHE,(d)晕环强化,(e)肿瘤边缘不光滑,(f)肿瘤“包膜”不完整,(g)延迟期中心强化,(h)强化“包膜”,(i)瘤内坏死,(j)肿块内脂肪多于邻近肝脏,(k)影像学肝硬化,(l)弥漫性脂肪变,(m)弥漫性铁过载,(n)脾肿大,(o)腹水,(p)侧支循环,(q)胃食管静脉曲张,(r)主门静脉直径(cm)。影像学特征的定义已在我们先前的研究中描述[20]。
影像组学分析
图像采集、预处理和自动分割
去标识化的MR图像上传至商业可视化分析软件(LiverMRDoc;版本2.10.0;数坤科技股份有限公司)。
在自动分割之前,一名放射科医师(H.W.)在AI软件平台上检查了所有MR图像的序列名称、HCC病灶及相应的3D边界框(即自动病灶检测标注)。为确保肿瘤定位准确,对16例3D边界框不准确(例如未能检测到HCC病灶或未能勾画出整个肿瘤)的患者进行了手动调整。
使用补充材料2和图S1中详述的基于3D U-net的深度学习(DL)算法,对T2加权成像(T2WI)、同相位(IP)、反相位(OP)、动脉期(AP)、门静脉期(PVP)和延迟期(DP;用于使用细胞外对比剂[ECA]的MRI)或移行期(TP;用于使用肝胆对比剂[HCA]的MRI)图像的每个横断面进行肝脏和HCC病灶的自动分割。
为实施质量控制,一名放射科医师(H.W.)对每个分割的肿瘤和肝脏进行视觉检查,上述任一序列上肿瘤或肝脏分割不准确的病例(n = 40)被排除在影像组学分析之外。分割不准确的排除标准为:(a)肿瘤感兴趣区(ROI)覆盖了非肿瘤区域(例如肝实质、良性囊肿、邻近器官或组织)(n = 18),(b)肿瘤ROI未能覆盖整个肿瘤区域(n = 8),(c)肝脏ROI未能覆盖整个肿瘤或肝脏区域(n = 6),(d)肝脏ROI覆盖了肝脏以外的区域(n = 8)。分割不准确的图像示例见图2。未考虑手动调整,因为本研究旨在检验该自动化技术的预后价值。
为评估自动DL分割的准确性,一名对自动分割结果不知情的放射科医师(T.Y.Z.,具有5年肝脏MRI经验)使用ITK-SNAP(版本3.8.0;www.itksnap.org)对30个随机选择的HCC病灶进行了手动分割。
为提取瘤周区域的影像组学特征,使用医学研究平台(UltraScholar,版本2.0,数坤科技股份有限公司,https://medresearch.shukun.net/)在每个序列上将肿瘤3D掩模沿径向向外扩展5、10和20 mm。据此,创建了五种类型的VOI:(a)肿瘤VOI,定义为覆盖HCC病灶的VOI;(b)三个扩展肿瘤VOI,分别定义为肿瘤边界自动扩展5、10和20 mm的肿瘤VOI;(c)肝脏VOI,定义为覆盖非肿瘤肝实质的VOI(图3)。
影像组学特征提取
影像组学工作流程见图1B。影像组学分析的详细方法见补充材料3。MR信号强度归一化和影像组学特征提取使用PyRadiomics软件包(版本3.0.1;https://pyradiomics.readthedocs.io/en/v3.0.1/)完成。
在一个序列中,从每个VOI共提取1688个特征。分别对肿瘤、肿瘤边界扩展区(5、10和20 mm)及肝脏的VOI提取影像组学特征。
影像组学特征归一化与异常特征排除
影像组学特征归一化、异常特征排除、特征选择及影像组学标签构建均使用R软件(版本4.3.1;The R Foundation for Statistical Computing)完成。
训练集中提取的影像组学特征值采用z分数进行归一化;由训练集得出的均值和标准差应用于验证集的特征归一化。方差为0的异常特征被排除,不纳入进一步分析。
特征选择
在归一化并排除异常特征后,我们遵循四步流程在训练集上降维并筛选稳健的影像组学特征。首先,通过Spearman相关分析评估变量间共线性。对于Spearman秩相关系数>0.8的影像组学特征,进行层次特征聚类以去除冗余。随后,进行单变量Cox回归分析以识别与早期复发相关的显著影像组学特征。保留p<0.01的特征用于进一步分析。接下来,使用随机生存森林(RSF)筛选前20个特征。最后,采用五折交叉验证的后向消除法,通过多变量Cox回归分析构建影像组学标签。
影像组学标签的构建与验证
基于从肿瘤、肿瘤边界扩展区和肝脏提取的影像组学特征的不同组合,构建了八组影像组学标签,包括(a)HCC,(b)HCC+5 mm肿瘤边界扩展区,(c)HCC+10 mm肿瘤边界扩展区,(d)HCC+20 mm肿瘤边界扩展区,(e)HCC+肝脏,(f)HCC+5 mm肿瘤边界扩展区+肝脏,(g)HCC+10 mm肿瘤边界扩展区+肝脏,以及(h)HCC+20 mm肿瘤边界扩展区+肝脏。选择性能最高的最优影像组学标签用于构建混合模型(详见下文)。
患者随访
术后随访包括血清甲胎蛋白(AFP)水平、肝脏生化检查及增强影像学检查(即超声、计算机断层扫描或MRI),于术后1个月进行,前2年每3个月一次,此后每6个月一次。患者随访至死亡或本研究截止日期(2022年5月1日)。早期复发定义为术后2年内肿瘤复发。无复发生存期(RFS)定义为从手术至首次记录到肿瘤复发或死亡的时间间隔。
统计分析
连续变量采用Student t检验或Mann-Whitney U检验进行比较,分类变量酌情采用卡方检验或Fisher精确检验进行比较。MRI表现的观察者间一致性对二分类特征采用Cohen κ系数衡量,对连续变量采用组内相关系数衡量。自动分割(A)与手动分割(M)之间的一致性通过计算Dice相似系数(DSC)进行评估,DSC定义为DSC = 2 × ( | A | ∩ | M | )/( | A | ∪ | M | ) [21]。DSC是一种广泛使用的统计指标,用于衡量两组图像分割之间重叠像素的比例 [22]。
模型开发与验证
使用训练集,通过整合术前可获得的最优影像组学特征和临床-影像学变量构建混合模型。在控制年龄和性别的情况下,进行单因素Cox回归分析以识别早期复发的显著预测因素。变量的多重共线性通过方差膨胀因子(VIF)评估。对于VIF > 2的变量,选择β系数绝对值最大的变量进入进一步分析。按照上述步骤在单因素分析中p < 0.1的变量进入多因素Cox模型;最终模型通过后向消除法和赤池信息准则(AIC)结合五折交叉验证来构建。
模型区分度通过Harrell C指数 [23]评估,校准度通过校准图 [24]评估。时间依赖受试者工作特征(tdROC)曲线用于评估不同时间点的预后准确性 [25]。绘制决策曲线以衡量模型的临床实用性 [26]。
将混合模型的性能与广泛使用的巴塞罗那临床肝癌(BCLC)分期系统 [3]和中国国家肝癌(CNLC)分期系统 [27]进行比较。
生存分析
为将患者按早期复发风险分为高危及低危组,所提出混合模型的最佳阈值由X-tile软件(版本3.6.1;耶鲁大学医学院)确定。RFS通过Kaplan-Meier法估计,并采用log-rank检验进行比较。根据组织学分化程度和MVI状态进行亚组分析,这些是已知与HCC早期复发相关的病理危险因素 [4, 7]。
统计分析使用R软件(版本4.3.1;R Foundation for Statistical Computing)或SPSS软件(版本26.0;SPSS Inc.)进行。双侧p < 0.05被认为具有统计学意义。
结果
患者特征
共纳入434例患者(中位年龄52.0岁;四分位距[IQR]45.0–60.0岁;376例男性),其中305例(70.3%)和129例(29.7%)分别位于训练集和验证集。在中位随访期55.3个月(IQR 39.0–79.8个月)内,32.7%(142/434)的患者发生早期复发。
与训练集相比,验证集中CNLC Ib期患者比例更高(31.8% vs. 22.0%;p = 0.031),弥漫性铁过载更常见(27.9% vs. 19.0%;p = 0.040),而两个数据集之间在其他临床-影像-病理特征和随访数据方面未发现差异(p范围0.223–0.963)。
患者特征总结于表1。MRI特征及观察者间一致性见表2。
自动分割准确性的评估
各序列的DSC详见补充表S2。对于30个随机选择的肝细胞癌(HCC)(中位大小,4.8 cm;IQR,3.5–8.4 cm),在所有序列中,自动与手动肿瘤分割之间的平均DSC为0.84 ± 0.13(中位数,0.88;IQR,0.82–0.92)。
在训练集上构建影像组学特征
训练集上特征选择各步骤的影像组学特征数量见补充表S3。基于RSF确定的前20个特征,通过多变量Cox回归分析构建了八个用于预测早期复发的影像组学特征(补充表S4)。其中,预测早期复发表现最佳的影像组学特征为HCC伴5 mm肿瘤边界扩展及肝脏,其在训练集上的C指数为0.696(95%CI:0.645,0.746)。
在训练集(0.673 [95%CI:0.610,0.736] vs 0.743 [95%CI:0.658,0.828];p = 0.210)和测试集(0.700 [95%CI:0.598,0.801] vs 0.692 [95%CI:0.577,0.808];p = 0.934)上,均无证据表明使用细胞外对比剂与肝胆对比剂的MRI亚组之间影像组学特征的C指数存在差异。
在训练集和验证集上构建和验证混合模型
单变量分析确定了九个变量作为训练集上早期复发的潜在预测因子(p范围,< 0.001–0.061)。在随后的多变量分析中,环形动脉期高强化(APHE)(风险比[HR] = 4.315;95%CI:2.384,7.810;p < 0.001)、影像组学特征(HR = 2.728;95%CI:2.178,3.417;p < 0.001)和不完整肿瘤“包膜”(HR = 1.370;95%CI:0.831,2.258;p = 0.217)被纳入Cox模型(表3)。构建了纳入上述预测因子的混合模型用于预测早期复发,并以列线图形式展示以提供个体化风险估计(图4A)。
混合模型在训练集上的C指数为0.727(95%CI:0.676,0.777),在验证集上为0.706(95%CI:0.630,0.783)。在训练集(0.699 [95%CI:0.635,0.764] vs 0.788 [95%CI:0.707,0.869];p = 0.101)和验证集(0.720 [95%CI:0.628,0.813] vs 0.688 [95%CI:0.569,0.807];p = 0.709)上,均无证据表明使用细胞外对比剂与肝胆对比剂的MRI亚组之间混合模型的C指数存在差异。校准曲线显示混合模型预测的生存率与两个数据集上的观察结局之间具有良好的一致性(图4B和C)。
验证集上混合模型与分期系统之间的比较
在验证集上,混合模型的C指数(0.706;95%CI:0.630,0.783)高于BCLC系统(0.543;95%CI:0.494,0.592;p < 0.001),但与CNLC系统(0.630;95%CI:0.557,0.703;p = 0.061)相比无差异证据(表4)。此外,在验证集上预测6、12、18和24个月早期复发时,混合模型(0.710–0.743)的tdAUC优于BCLC系统(0.550–0.557;p范围,0.005−< 0.001),而该模型(0.743)在24个月时的tdAUC高于CNLC系统(0.635;p = 0.032),但在其他时间点无差异证据(p范围,0.166–0.992)(表4;图5A)。决策曲线显示,在验证集上混合模型比两种分期系统提供了更大的净获益(图5B)。
训练集和验证集上的早期复发风险分层
使用X-tile分析得出的1.25作为截断评分,混合模型将训练集上的所有患者分为两个风险分层:低风险(< 1.25;n = 269;24个月RFS率,75.1%)和高风险(≥ 1.25;n = 36;24个月RFS率,8.3%)(p < 0.001)(表5;图6A)。在包括MVI缺失和存在、以及高或中分化和低分化的每个亚组中,低风险患者在训练集上的RFS均显著长于高风险患者(所有p < 0.001)(表5;图6B–E)。
基于上述阈值,验证集上的所有患者也获得了两个RFS显著不同的风险分层(24个月RFS率:73.9% vs. 27.8%;p < 0.001)(表5;图6F)。此外,在验证集上,低风险患者在MVI缺失亚组(p = 0.002)(表5;图6G)、高或中分化亚组(p < 0.001)(表5;图6I)和低分化亚组(p = 0.048)(表5;图6J)中的RFS均显著长于高风险患者。然而,在验证集上MVI存在亚组中,低风险与高风险患者之间的RFS无差异证据(p = 0.487)(表5;图6H)。
由混合模型判定为早期复发高风险的HCC患者的代表性图像见图S2。
讨论
在本研究中,我们利用深度学习(DL)辅助的自动分割,开发并验证了一种混合模型,该模型整合了MRI影像组学特征和两个影像学特征(边缘动脉期高强化(rim APHE)和不完整肿瘤“包膜”),用于预测接受根治性切除的单发肝细胞癌(HCC)患者的早期复发。与BCLC(0.550;p < 0.001)和CNLC(0.635;p = 0.032)系统相比,该模型表现出更优的预后准确性(验证集2年时间依赖AUC(tdAUC),0.743)和更好的临床实用性。此外,模型预测的高风险组患者的无复发生存期(RFS)较低风险组更差。
准确且可重复的分割是影像组学分析的基石。然而,大多数现有的基于影像组学的HCC复发评估采用手动或半自动分割,降低了效率和可重复性。在本研究中,自动与手动肿瘤分割之间的一致性令人满意,平均DSC为0.85 ± 0.12。此外,在一项纳入167例单发HCC的基于手动分割的研究中,Kim等报道,采用3 mm边界扩展的临床病理-影像组学联合模型在预测术后早期复发方面取得了最高性能(C-index:0.716)[6]。在本研究中,基于自动分割的混合模型在验证集中取得了相似的区分度(C-index:0.706)。这些初步发现为使用DL辅助自动分割提供了有前景的方向,其可能更有效且更具可重复性,从而标准化影像组学模型的开发,进而促进其向临床实践的转化。
近期,少数研究已显示基于自动分割的CT或MRI影像组学在预测HCC术后复发方面的潜在效用[28, 29]。例如,Wang等在外部队列(n = 31)中采用DL模型在动脉期图像上自动分割肿瘤,并报道基于MRI的影像组学-临床模型在预测术后复发方面取得了良好的准确性[29]。据我们所知,本研究是文献中首个使用DL辅助自动分割肝脏和肿瘤两者进行基于MRI影像组学评估HCC早期复发的研究。与既往研究相比,我们的研究纳入了更大数量的患者(n = 434),从而增强了所呈现结果的可靠性和稳健性。此外,为确定最佳影像组学特征,我们全面研究了肿瘤、肿瘤边界扩展和肝脏的预后影响。因此,我们最终的影像组学特征可能传达更丰富的信息以实现准确的预后预测。
混合模型与HCC早期复发之间关联的生物学基础尚未完全明确。在我们的研究中,肿瘤边界外延5 mm的HCC及肝脏的影像组学特征在预测HCC早期复发方面表现出最高性能。我们推测,该模型可能全面捕捉了侵袭性肿瘤特征、瘤周微环境以及肝脏形态和功能特征的全部谱系。环状动脉期高强化(rim APHE)已被证明与肿瘤侵袭性相关,例如增殖亚型、微血管侵犯(MVI)、缺氧和纤维化肿瘤微环境以及HCC干性增加[30–32]。不完整的肿瘤“包膜”,提示浸润性肿瘤生长,已被确定为预测HCC中MVI以及BRAF和RAF1高表达的影像标志物,而这些可促进肿瘤侵袭和转移[33–35]。
值得注意的是,我们病例中的一小部分(n = 40)在自动分割过程中遇到困难,被排除在影像组学分析之外。这些不准确的分割可能源于多种因素,例如肿瘤内信号强度不均匀、肿瘤边缘模糊,以及瘤周肝实质、相邻良性囊肿或器官(如心脏、胆囊和右肾)引入的额外信号干扰。因此,有必要进一步改进深度学习(DL)算法以提高自动分割性能。如果其准确性和泛化性能够在大规模多中心人群中得到进一步验证和改善,这一先进技术可能成为常规临床实践中可应用的工作流程。
我们的研究存在若干局限性。第一,回顾性设计可能导致不可避免的选择偏倚。第二,混合模型未在独立外部队列中得到验证,而这对检验模型的泛化性至关重要。因此,需要未来的多中心研究来检验我们的模型在不同人群中的适用性。第三,观察者间对不完整肿瘤“包膜”的一致性仅为中等(Cohen's κ系数,0.316),这可能降低模型的可重复性。然而,作为主观人工评估的固有局限性,未来研究有必要确定减少阅片者间变异性的方法,例如利用更标准化的图像标准或开发计算机辅助特征判读。第四,绝大多数纳入患者(95.4%)有HBV感染;因此,我们的结果可能不适用于其他病因(如丙型肝炎病毒感染和酗酒)的患者。第五,由于关键病理特征(如MVI和肿瘤分化)的大量数据缺失,我们未构建用于预测HCC早期复发的术后模型。尽管如此,我们研究的目的是建立一种无创模型,以在治疗前辅助临床决策。最后,由于数据不足,我们未研究混合模型在不同HCC病理亚型中的预后风险分层能力。鼓励未来的影像组学研究关注这一问题。
总之,利用深度学习(DL)辅助的自动分割,我们通过整合基于MRI的影像组学特征、环状动脉期高强化(APHE)和不完整肿瘤“包膜”提出了一种混合模型,用于预测肝细胞癌(HCC)切除术后早期复发。该模型表现出优于两种广泛使用的分期系统的预测性能,有望促进单个HCC术后早期复发的个体化风险估计。
补充信息
电子补充材料
引用
- Wei H, Zheng T, Zhang X, et al. MRI radiomics based on deep learning automated segmentation to predict early recurrence of hepatocellular carcinoma. Insights Imaging. 2024. PMID: 38763975. doi:10.1186/s13244-024-01679-8
- 全文:PMC11102894(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11102894/
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。