文献速递腹部介入CT

CT影像组学机器学习模型预测早期肝细胞癌射频消融后肝内复发

RSS 订阅 · 中国介入影像与治疗学

本研究回顾性纳入215例首次接受射频消融的早期肝细胞癌患者,基于治疗前动脉期CT提取影像组学特征,采用6种机器学习算法构建预测肝内复发的模型。K近邻模型预测效能最优,训练集和验证集AUC分别为0.753和0.717。以Radscore=0.5为截断值划分高低风险亚组,高风险亚组无复发生存期更短。

要点

  • 治疗前动脉期CT影像组学可无创预测早期HCC射频消融后肝内复发风险。
  • K近邻模型为最优模型,训练集AUC 0.753、验证集AUC 0.717。
  • Radscore=0.5为最佳截断值,高于此值者无复发生存期更短。

核心结论

  • CT影像组学机器学习模型可预测早期肝细胞癌经射频消融后肝内复发。
  • K近邻模型为最优模型,训练集与验证集AUC分别为0.753及0.717。
  • Radscore=0.5为最佳截断值,高风险亚组无复发生存期均短于低风险亚组(P均<0.05)。

研究设计与样本

  • 回顾性纳入215例首次接受射频消融的早期肝细胞癌患者,按7∶3分为训练集150例(IR 71例、非IR 79例)与验证集65例(IR 31例、非IR 34例)。
  • 于治疗前动脉期CT图中提取病灶影像组学特征,采用K近邻、支持向量机、伯努利朴素贝叶斯、决策树、随机梯度下降及逻辑回归6种机器学习算法构建模型。
  • 以受试者工作特征曲线下面积评估各模型预测效能,筛选最优模型并输出影像组学评分,根据最佳截断值划分风险亚组,以Kaplan-Meier生存曲线分析亚组间无复发生存期差异。

诊断标准与关键数值

  • K近邻模型预测训练集早期HCC经RFA后复发的AUC为0.753,验证集AUC为0.717。
  • Radscore=0.5为最佳截断值,Radscore≤0.5为低风险亚组,Radscore>0.5为高风险亚组。
  • 训练集与验证集内高风险亚组无复发生存期均短于低风险亚组(P均<0.05)。

临床应用与阅片要点

  • 治疗前动脉期CT影像组学评分可作为早期HCC射频消融后肝内复发风险的辅助评估工具。
  • Radscore>0.5提示复发风险较高、无复发生存期较短,可辅助临床制定随访或治疗策略。

局限性

  • 本研究为回顾性设计。

原文图文

目的 观察CT影像组学机器学习(ML)模型预测早期肝细胞癌(HCC)经射频消融(RFA)后肝内复发(IR)的价值。方法 回顾性纳入215例首次接受RFA的HCC,按7∶3比例分为训练集(n=150,IR 71例、非IR 79例)与验证集(n=65,IR 31例、非IR 34例)。于治疗前动脉期CT图中提取病灶影像组学特征,采用6种ML算法,包括K近邻(KNN)、支持向量机、伯努利朴素贝叶斯、决策树、随机梯度下降及逻辑回归构建影像组学ML模型;以受试者工作特征曲线的曲线下面积(AUC)评估各模型预测效能,筛选最优模型并输出IR与非IR影像组学评分(Radscore),根据其最佳截断值于各集内划分低风险与高风险亚组,以Kaplan-Meier生存曲线分析亚组间无复发生存期(RFS)的差异。结果 KNN模型为最优模型,其预测训练集与验证集早期HCC经RFA后复发的AUC分别为0.753及0.717。Radscore=0.5为最佳截断值,据此划分低风险(Radscore≤0.5)与高风险亚组(Radscore>0.5)。Kaplan-Meier生存曲线显示,训练集与验证集内高风险亚组RFS均短于低风险亚组(P均<0.05)。结论 CT影像组学ML模型可预测早期HCC经RFA后IR。

来源:中国介入影像与治疗学,查看原文。版权归原作者所有。

引用

  1. www.cjiit.com:CT影像组学机器学习模型预测早期肝细胞癌经射频消融后肝内复发

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。