基于Gd-EOB-DTPA MRI的深度学习列线图预测肝细胞癌切除后早期复发
本研究为双中心回顾性研究,纳入285例术前接受Gd-EOB-DTPA MRI的HCC患者,提取动脉期、门静脉期和肝胆期的深度学习特征构建多期DL签名,并结合MVI和肿瘤数目建立DL列线图。DL列线图在训练集和验证集的AUC分别为0.949和0.909,均优于临床列线图(0.751和0.715),校准良好且临床净获益更高。
要点
- Gd-EOB-DTPA MRI多期深度学习签名是HCC切除后早期复发的独立预测因素。
- 结合肿瘤数目、MVI和DL签名的列线图预测效能优于仅用临床因素的列线图。
- DL列线图校准良好,决策曲线分析显示其临床净获益高于临床列线图。
核心结论
- 基于Gd-EOB-DTPA MRI的深度学习列线图在预测HCC肝切除后早期复发方面优于临床列线图。
- 多期MR深度学习签名融合了动脉期、门静脉期和肝胆期特征,其预测早期复发的效能优于各单期签名。
研究设计与样本
- 双中心回顾性研究,纳入285例病理确诊HCC且术前1个月内行Gd-EOB-DTPA MRI的患者,来自中山大学肿瘤防治中心和南方医科大学珠江医院。
- 按7:3随机分为训练集195例和验证集90例,所有患者随访至少2年,早期复发定义为术后2年内出现新发病灶或肝外转移。
- 使用VGGNet-19从动脉期、门静脉期和肝胆期图像提取1472个深度学习特征,采用多种特征选择方法和五种分类器构建DL签名。
- 参考标准为术后病理(MVI、肿瘤数目、组织学分级)和随访影像/病理证实的复发。
关键影像表现/征象
- 原文未涉及具体的影像征象描述,仅提及评估了肿瘤大小、动脉期强化类型、包膜、低密度晕、瘤内坏死、卫星结节和瘤周低信号等定性特征,但未报告其与早期复发的详细关联。
诊断标准与关键数值
- DL列线图在训练集AUC为0.949(95%CI: 0.919–0.980),验证集AUC为0.909(95%CI: 0.842–0.976)。
- 临床列线图在训练集AUC为0.751(95%CI: 0.674–0.827),验证集AUC为0.715(95%CI: 0.586–0.843)。
- mp-MR DL签名在训练集AUC为0.929(95%CI: 0.829–0.966),验证集AUC为0.894(95%CI: 0.811–0.977)。
- 动脉期DL签名在训练集AUC为0.882(95%CI: 0.823–0.941),验证集AUC为0.826(95%CI: 0.755–0.897);门静脉期DL签名在训练集AUC为0.822(95%CI: 0.753–0.891),验证集AUC为0.854(95%CI: 0.780–0.928);肝胆期DL签名在训练集AUC为0.909(95%CI: 0.860–0.958),验证集AUC为0.888(95%CI: 0.833–0.943)。
- MVI(p=0.039)、肿瘤数目(p=0.001)和mp-MR DL签名(p<0.001)为早期复发的独立风险因素。
临床应用与阅片要点
- 对于拟行肝切除的HCC患者,术前Gd-EOB-DTPA MRI多期深度学习分析可辅助预测早期复发风险,帮助制定术后辅助治疗和随访策略。
- DL列线图整合了影像深度学习特征和临床病理因素(肿瘤数目、MVI),放射科医生在报告中可关注肿瘤数目和MVI相关影像征象(如瘤周强化、卫星结节等),并结合DL分析结果。
- 原文未提供具体的影像征象鉴别要点或阈值,临床使用时需注意DL模型的泛化性,不能直接套用原文数值到不同设备或人群。
局限性
- 回顾性研究,存在选择偏倚。
- 样本量有限(285例),验证集仅90例。
- 来自不同MR扫描仪,虽进行了预处理但可能仍存在设备差异影响。
- 深度学习模型的可解释性有限,临床推广需外部验证。
全文中译15 节 · 点击展开
引言
肝切除术是早期HCC且肝功能保存良好的患者的一线治疗[1, 2]。然而,HCC术后5年复发率达70%[3]。超过80%的复发为肝内复发,包括原发肿瘤的肝内转移(被认为是真性复发)和新发多中心转移[4]。患者预后不良与肝内转移相关,且主要表现为早期复发(2年内),而晚期复发(> 2年)更可能与基础肝病相关,如肝硬化[5, 6]。因此,HCC患者早期复发风险评估具有临床意义。
众多肿瘤因素已被确定为早期复发的预测因子,如微血管侵犯(MVI)、手术切缘、肿瘤大小、高小叶性肝炎活动度和较差的Edmondson-Steiner分级[7–10]。然而,大多数危险因素只能通过术后病理获得,因此无法在肝切除术前用于评估预后和制定治疗方案。医学影像是HCC患者的常规术前检查。既往研究表明,从医学影像设备测量的定量参数,如正电子发射断层显像/计算机断层显像[11]、弥散加权成像[12]和磁共振弹性成像[13]分别获得的代谢参数、表观弥散系数值和肝脏硬度值,在预测HCC肝切除术后早期复发方面显示出良好的效率和较高的临床实用性。尽管磁共振弹性成像在检测肝纤维化方面准确,但由于其特异性低且依赖定量参数,该影像模态在HCC患者中的广泛应用受到限制;然而,参数的临界值缺乏标准。钆塞酸二钠(Gd-EOB-DTPA)是一种广泛用于HCC患者的肝胆特异性对比剂,能更好地捕捉灌注和功能改变,因此在HCC检测中可能更敏感、更准确。既往研究[14, 15]也表明,Gd-EOB-DTPA MRI优于多探测器计算机断层显像(CT)和使用其他对比剂的MRI。
在Gd-EOB-DTPA MRI上观察到的若干影像特征,包括环形强化、动脉期瘤周强化、肿瘤边缘不光滑、卫星结节以及肝胆期(HBP)图像上的瘤周低信号[16, 17],与HCC患者早期复发相关;然而,使用MR特征预测早期复发可能具有主观性并依赖于放射科医师的经验。定性MR特征受图像灰度识别限制,因此丢失了大量与肿瘤异质性相关的信息。
影像组学涉及定量影像特征的高通量提取和挖掘,被认为能够捕捉实体瘤固有的组织学异质性[18]。与侵入性组织生物标志物相比,从CT或MR图像中提取的定量特征在HCC患者中已证明具有更高的诊断和预后精确性,如术前预测MVI和无复发生存期[19]。然而,更近期的研究已转向深度学习(DL)领域。
深度学习(DL)是机器学习的一个子集,是一种从医学图像中挖掘内部信息的新诊断技术。DL可通过自动提取深度学习或高阶图像特征,应用于肿瘤分割[20]、预后预测[21, 22]和治疗反应评估[23]。其中,卷积神经网络(CNN)以处理图像分类任务而闻名[24];CNN的三大操作是卷积、激活和池化,整个过程可分为两个步骤:前向计算和反向传播[25]。此外,DL提供了一种术前预测工具,可指导肝细胞癌(HCC)患者的术后临床决策,如肝移植后HCC复发预测[26]和HCC病理图像中的预后因素探索[27]。因此,直接使用基于DL的图像特征来预测预后将提供一种有前景的无创方法,以更好地实现患者个体化治疗。
因此,我们旨在探讨从Gd-EOB-DTPA MR图像中提取的深层特征用于预测HCC根治性切除后早期复发的可行性。此外,我们评估了结合深层特征和显著临床因素的基于DL的列线图的预测性能。
材料与方法
患者与数据集
本回顾性研究获得伦理批准,并豁免知情同意要求。连续纳入2012年1月至2018年9月期间在根治性切除术前接受Gd-EOB-DTPA MRI检查的疑似HCC患者。本研究在两个中心进行:中山大学肿瘤防治中心(中心1)和南方医科大学附属珠江医院(中心2)。纳入标准如下:患者(a)经病理确诊为HCC;(b)为巴塞罗那临床肝癌分期0、A或B期HCC;(c)既往未接受过抗癌治疗;(d)在手术前1个月内接受了肝脏Gd-EOB-DTPA MRI检查。排除标准如下:患者(a)为复发性HCC或合并肝内胆管细胞癌或转移性肿瘤;(b)有影像学大血管侵犯或肝外转移;(c)临床、影像学、病理学或随访数据不完整;(d)在2周内因术后并发症或肝癌破裂死亡(图1)。所有患者包括中心1的227例患者和中心2的58例患者,按7:3比例随机分为训练集和验证集。
基线临床病理数据从电子病历中收集。临床数据包括人口统计学资料、早期复发时间和巴塞罗那临床肝癌分期。实验室特征包括中性粒细胞计数以及乙型肝炎病毒DNA、甲胎蛋白(AFP)、丙氨酸氨基转移酶、天冬氨酸氨基转移酶(AST)和γ-谷氨酰转肽酶水平。病理数据包括MVI(定义为显微镜下内皮细胞衬覆的血管腔内出现肿瘤栓子[28])、肿瘤数目和组织学分级(评估为高分化、中分化或低分化)。
随访监测与临床终点
所有患者在根治性切除术后至少随访2年。术后第1个月通过血清AFP水平评估、超声检查、胸腹部增强CT或MRI筛查肿瘤复发,此后第1年内每3个月一次,之后每6个月一次。删失随访日期为2020年10月1日。
研究终点为早期复发,定义为根治性切除术后2年内发生以下一项或多项事件:(a) 出现具有典型HCC影像学表现的新发肝脏病灶;(b) 影像学表现不典型,经活检或再次术后病理证实为HCC,或术后经导管动脉化疗栓塞(TACE)显示肿瘤染色;以及(c) 经典型影像学特征或组织学分析证实的肝外转移。
MRI采集与预处理
本研究收集了动脉期(AP)、门静脉期(PVP)和肝胆期(HBP)的MR图像。序列和参数中提供的MRI机器及参数列于补充方法和补充表1中。在定量分析之前,考虑到不同MRI扫描参数、协议和个体差异的影响,我们对MR图像进行了预处理。首先,应用3D Slicer软件中的N4算法进行偏移场校正,以校正灰度不均匀性。然后,我们将灰度值映射到0–255范围,以减少不同灰度尺度对灰度量化的影响。
MR图像的定性分析
MR图像特征的定性分析由三名腹部放射科医师(M.Y.、B.Z.和Z.J.G.,分别具有5年、10年和16年腹部诊断经验)独立完成。放射科医师对放射学和病理学报告不知情。阅片者1(M.Y.)对特征观察两次,第二次观察在第一次观察后2周进行。
MR特征包括以下内容:(a) 肿瘤大小,定义为横断面HBP图像上的最大直径;(b) AP强化类型(1型[均匀强化模式,无动脉血流增加]、2型[均匀强化伴动脉血流增加]、3型[不均匀强化,含无强化区域]、4型[不均匀强化模式,伴不规则环状结构][29–31],以及5型[不均匀低强化模式]);(c) 包膜表现(门静脉期或延迟期周围均匀光滑的高强化环,分为三组[无、不完整和完整])[32];(d) 低密度晕环(部分或完全环绕肿瘤的低信号环);(e) 瘤内坏死(T1加权成像低信号、T2加权成像高信号、所有增强期相低信号);(f) 卫星结节,定义为靠近(< 2 cm)主肿瘤的小(< 2 cm)肿瘤结节[33];(g) 瘤周低信号,定义为HBP图像上肿瘤周围肝实质的火焰状或楔形低信号区域[34]。图2显示了MR特征。
图像分割与深度学习特征提取
在肿瘤最大径的边界周围勾画感兴趣区。随后应用先进的VGGNet-19架构从AP、PVP和HBP图像中提取1472个深度学习特征。该深度学习网络包含五个卷积层、四个最大池化层、三个全连接层和一个softmax层。深度学习工作流程见图3,更多细节见补充方法。
特征选择与深度学习标签构建
为筛选与早期复发强相关的特征,对深度学习特征进行以下步骤处理:特征值预处理、去冗余和降维;此后,使用机器学习方法预测结局事件状态,并建立能够预测早期复发的深度学习标签。所有特征首先通过最小-最大归一化方法归一化至[0,1]范围。此外,加入Spearman相关性分析以保留与HCC早期复发相关的深度学习特征(p < 0.05)。随后,使用Pearson相关系数(r)从特征对中去除r较低的一个冗余特征(r > 0.9)。获得的高预测性特征通过方差分析、递归特征消除(RFE)和Relief算法进一步筛选。比较五种分类器,即随机森林(RF)、支持向量机、最小绝对收缩和选择算子逻辑回归(LASSO)、AdaBoost和高斯过程(GP),以识别各期深度学习特征的早期复发结局状态。
临床与深度学习分析
在训练集中进行单因素逻辑回归分析,将显著变量(p < 0.05)采用前向似然比法纳入多因素逻辑回归,以确定早期复发的独立危险因素。双侧p < 0.05认为具有统计学意义。列线图基于多因素逻辑回归分析结果绘制。
还进行了常规临床因素与深度学习标签的共线性分析。评价因素为容忍度和方差膨胀因子(VIF);容忍度值 < 0.1或VIF值 > 5被认为提示两个变量之间存在共线性。
我们计算了影像组学质量评分(https://www.radiomics.world/rqs2)以评估我们深度学习研究的方法学、分析和报告[35]。
统计分析
训练集与验证集之间的比较采用卡方检验或Fisher精确检验分析分类变量,连续变量采用Mann–Whitney U检验。定性MR成像特征的阅片者内一致性采用Cohen's κ系数评估,阅片者间一致性采用Fleiss' κ统计量在三位阅片者间评估。Kappa(κ)统计量按以下标准进行定性分层:κ = 0.00–0.20为一致性差;κ = 0.21–0.40为一致性一般;κ = 0.41–0.60为一致性中等;κ = 0.61–0.80为一致性好;κ = 0.81–1.00为一致性极好[35]。
采用受试者工作特征曲线分析计算曲线下面积(AUC)、准确率、灵敏度和特异度。不同深度学习标签与模型之间的比较采用DeLong检验。模型拟合通过校准曲线使用1000次bootstrap重采样进行评估。模型的临床实用性采用决策曲线分析评估。统计分析的软件和软件包见补充方法。所有统计检验均为双侧检验,p < 0.05被认为具有统计学意义。
结果
临床特征
我们纳入285例患者(男性,n = 254;中位年龄54.0岁;范围13–79岁),其数据分为训练集(n = 195)和验证集(n = 90)。77例(27.0%)患者发生早期复发,训练集(27.7%,54/195)与验证集(25.6%,23/90)之间早期复发率无差异。所有患者共发现364个肿瘤,其中223、47、13和2例患者分别有1、2、3和4个肿瘤。两组的临床特征见补充表2。除病因因素(p = 0.012)外,两组间基线临床病理变量、病理变量和定性MR特征均未观察到统计学显著差异(p = 0.113–1.000)。
在早期复发组的所有HCC患者中,52例(67.5%)患者发生肝内复发,其中48例(62.3%)、3例(3.9%)和1例(1.3%)患者分别通过典型CT/MR表现、再次术后病理确诊HCC和TACE显示肿瘤染色发现;30例(39%)患者发生肝外复发,其中25例(32.5%)和4例(5.2%)分别通过典型CT/MR表现和组织学分析发现。此外,5例(6.5%)患者同时发生肝内和肝外复发。早期复发的中位时间为8个月(范围1–24个月)。复发详情见补充表6。
定性MR图像的阅片者内和阅片者间一致性
补充表5列出了三位阅片者识别的所有特征的百分比及其对每项成像的阅片者内和阅片者间一致性及κ统计量。每个MR特征均显示几乎完美的阅片者内一致性(κ = 0.81–1.00)。关于三位阅片者间的阅片者间一致性,低密度晕环、瘤周低信号、卫星结节、包膜表现和瘤内坏死显示一致性好(κ = 0.72–0.79);AP强化类型和肿瘤大小显示一致性极好(κ分别为0.84和0.97)。
深度学习标签的开发与验证
为了在AP、PVP和HBP各期中识别早期复发的结果状态特征,五种分类器之间的性能比较如图4所示。结果表明,GP分类器在所有序列中均取得了最佳性能,AUC分别为0.826(AP)、0.854(PVP)和0.888(HBP),而AdaBoost分类器几乎不具备判别能力,AUC分别为0.519(AP)、0.503(PVP)和0.485(HBP)。总体而言,使用RFE从AP图像中筛选出99个DL特征,使用Relief从PVP图像中筛选出93个DL特征,使用Relief从HBP图像中识别出99个DL特征。所有最优的单层DL签名均使用GP分类器构建。在训练集中,所有DL签名在两组之间均显示出显著差异(均p < 0.05)(表1)。对单因素分析后p < 0.05的变量进行共线性分析。各变量的容差范围为0.750–0.970,VIF范围为1.031–1.333,表明变量之间不存在共线性(补充表3)。
AP DL签名在训练集中的AUC为0.882(95%置信区间[CI]:0.823–0.941),在验证集中的AUC为0.826(95% CI:0.755–0.897)(表2);PVP DL签名在训练集中的AUC为0.822(95% CI:0.753–0.891),在验证集中的AUC为0.854(95% CI:0.780–0.928)(表2),而HBP-DL签名在训练集中的AUC为0.909(95% CI:0.860–0.958),在验证集中的AUC为0.888(95% CI:0.833–0.943)(表2)。多序列MR(mp-MR)DL签名在训练集和验证集中的性能均有所提高,训练集和验证集的AUC分别为0.929(95% CI:0.829–0.966)和0.894(95% CI:0.811–0.977)(表2)。DeLong检验表明,mp-MR DL签名在训练集和验证集中的性能均优于AP DL签名(p < 0.05)(表2)。
临床和DL列线图的建立
单因素分析后,六个临床因素,即中性粒细胞计数、AST水平、γ-谷氨酰转肽酶水平、MVI、肿瘤数目和组织学分级(p < 0.05),作为多因素分析的候选因素(补充表4);然而,仅中性粒细胞计数、AST水平和MVI被确定为HCC早期复发的独立危险因素。基于这三个因素构建了临床列线图(表3;图5A),其在训练集中的AUC为0.751(95% CI:0.674–0.827),在验证集中的AUC为0.715(95% CI:0.586–0.843)(表4;图6A、B)。
随后,上述五个临床因素及mp-MR深度学习(DL)特征被纳入多因素分析,肿瘤数目、MVI及mp-MR DL特征被确定为早期复发的独立危险因素(p < 0.05)。我们开发了一个整合肿瘤数目、MVI及mp-MR DL特征的DL列线图(表3;图5B),其表现显著优于临床列线图,在训练集中AUC为0.949(95% CI:0.919–0.980),在验证集中AUC为0.909(95% CI:0.842–0.976)(表4;图6A、B)。DeLong检验显示,临床列线图与DL列线图在训练集(p < 0.001)和验证集(p = 0.002)中差异均有统计学意义(表4)。图6C和D展示了DL列线图良好的校准度。决策曲线显示,DL列线图的净获益高于临床列线图(图6E、F)。本DL研究评分为40分(60.6%)(补充材料_RQS)。
讨论
我们采用DL方法从Gd-EOB-DTPA MRI图像中探索与HCC早期复发相关的信息性特征,并建立了三个单层DL特征和一个融合三相MR序列的mp-MR DL特征。结果表明,mp-MR DL特征优于三个单层DL特征。随后,通过整合肿瘤数目、MVI和mp-MR DL特征构建了DL列线图,其预测准确性和净获益均高于临床列线图。本研究证明了DL列线图相较于传统临床列线图的增量价值。
既往研究还显示,Gd-EOB-DTPA MRI对HCC诊断,尤其是小病灶诊断的敏感度和总体准确率显著高于多期CT,且特异度无明显下降[36, 37]。因此,我们选择Gd-EOB-DTPA MRI而非CT图像来预测HCC患者的早期复发。正如近期研究报告的那样[38, 39],从不同MR扫描仪获取高稳定性特征正日益成为放射组学或DL领域常见的挑战。由于本研究数据来自不同MR扫描仪,我们进行了偏移场校正和灰度归一化,以减少潜在影响。预处理流程通常也在其他研究中实施[10, 40, 41]。消除特征变异性的挑战可通过为DL开发的优化工具、通过成像协议标准化[42]以及通过前瞻性研究来解决。此外,我们证明HBP特征标签的AUC和敏感度高于AP特征标签和PVP特征标签。HBP图像上肿瘤边界清晰,相比AP和PVP图像能更准确勾画肿瘤,因为后者的肿瘤边界可能受瘤周强化、包膜显示和低密度晕影响。
既往一些研究探讨了预测术后早期HCC复发的可行性。An等[17]和Zhang等[44]开发了包含临床-放射学变量的列线图来预测HCC患者的早期复发,在验证队列中AUC为0.783–0.846。Chan等[45]基于性别、AFP水平、MVI、肿瘤大小和肿瘤数目构建了术前模型(肝肿瘤术后早期复发[ERASL]-pre)和术后模型(ERASL-post),在来自不同国家或地区的推导队列中,ERASL-pre的AUC范围为0.614至0.736,ERASL-post为0.653至0.763。在本研究中,我们也构建了临床列线图,诊断效能与既往研究相似,训练集和验证集的AUC分别为0.751和0.715。尽管这些数据在临床实践中通常易于获得,但遇到的两个主要问题是临床因素标准化的不一致性,以及传统统计方法无法处理高维特征[46]。
近年来,人工智能已成为展示多模态患者数据的有效工具[47]。影像组学是一项近期兴起的技术,其利用数据特征描述算法从标准诊疗医学影像中提取大量定量图像特征。Zhang等[48]和Zhao等[40]通过整合影像组学评分与临床-影像学因素构建列线图,其AUC分别为0.844和0.873。Kim等[49]通过随机生存森林算法开发了临床病理-影像组学联合模型,其获得的C-index为0.716。在最新研究中,深度学习方法在包括病灶检测[50]、预后预测[51]和多模态图像配准[52]在内的许多任务中已优于影像组学特征。基于图像的深度学习技术已广泛应用于HCC的肿块鉴别、治疗反应和预后领域[10, 53–55]。Song等[56]利用CNN在八种MRI序列上建立深度学习模型以预测MVI的存在,其获得的AUC为0.931。Zhang等[57]构建了一个整合临床特征与基于增强CT的深度学习特征的联合列线图,以改善接受TACE联合索拉非尼治疗的HCC患者的总体生存预测,在验证集中的C-index为0.730。基于深度学习在HCC患者中的成功应用,我们探索了VGGnet-19——其通常可在无需专家干预的情况下执行更稳健和自动化的图像分析[58]——以扩展深度学习与HCC预后之间的关联。此外,我们采用二维感兴趣区建立深度学习特征,其表现出良好性能;这一发现与既往研究[57, 59, 60]相一致,其中在验证集中达到了0.826–0.894的AUC。这可能是因为深度学习特征可通过捕捉肿瘤的全局和局部特征来进行预测,并综合反映了肿瘤大小和异质性,而这些是已确立的预后因素[61, 62]。因此,这也可能解释肿瘤大小未作为独立危险因素的原因,因为深度学习特征已经包含了属于肿瘤全局特征的肿瘤大小信息。尽管如此,这仍有待于我们未来的研究。
在特征工程领域,不同的基于机器学习的降维技术具有不同的数学意义和固有局限性;因此,应结合多种算法来选择稳健的特征[42, 63]。既往研究也证明,将不同的降维方法与多种机器学习方法相结合可以最大化模型的诊断性能。Dai等[64]报道,特征选择和建模方法可能潜在地影响预测模型。用于MVI评估的最优影像组学模型是使用梯度提升决策树分类器构建的,其性能优于逻辑回归、支持向量机和随机森林。Ni等[65]使用21种组合方法(包括三种特征选择方法和七种分类方法),确定LASSO联合梯度提升决策树是预测HCC患者MVI的最优组合。在本研究中,我们比较了三种特征选择方法与五种分类方法以确定最佳组合,发现RFE或Relief联合GP分类器在构建DL特征方面取得了最优性能。因此,有必要对不同机器学习方法进行性能比较,而这在既往针对HCC的深度学习研究中是缺失的[43, 56, 57]。
我们的研究存在若干局限性。首先,研究的回顾性性质可能引入不可避免的选择偏倚。其次,尽管我们从两个中心收集了患者数据,但由于中心2的样本量较小,我们无法进行外部验证;因此,需要多中心研究来验证所提出的DL列线图的泛化能力。第三,我们的研究未探索从非增强MR序列(如T1加权成像、T2加权成像和扩散加权成像)中提取的DL特征对预测预后的作用。最后,DL模型在改善HCC患者长期生存方面的价值仍不明确,DL模型辅助与非辅助实践之间的差异值得进一步研究,以证明DL模型的临床适用性。
总之,我们开发了一个结合临床因素和Gd-EOB-DTPA MRI生物标志物的DL列线图;此外,在HCC手术切除后的患者中,DL列线图在早期复发预测和术后监测方面比传统临床列线图更有效。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 185 KB)
引用
- Yan, Zhang, Zhang, et al. Deep learning nomogram based on Gd-EOB-DTPA MRI for predicting early recurrence in hepatocellular carcinoma after hepatectomy. Eur Radiol. 2023. PMID: 36786905. doi:10.1007/s00330-023-09419-0
- 全文:PMC10289921(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10289921/
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。