| 李鑫，陈金明，李志兴，潘小强，李乐.基于增强CT深度学习技术预测肝细胞癌术后早期复发[J].放射学实践,2025,(08):1002-1010 |
| 基于增强CT深度学习技术预测肝细胞癌术后早期复发 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.08.009 |
| 中文关键词: 人工智能 深度学习 肝细胞癌 图像分割 预后预测 |
| 基金项目:内蒙古医学科学院公立医院科研联合基金项目（2023GLLH0305） |
|
| 摘要点击次数: 83 |
| 全文下载次数: 75 |
| 中文摘要: |
| 【摘要】目的：探讨基于增强CT的深度学习（DL）技术对肝细胞癌（HCC）患者术后早期复发的预测价值。方法：回顾性分析2017年1月－2022年1月在赤峰市医院接受手术治疗的HCC患者的临床和CT资料。术后两年内每三个月进行一次复查，之后每半年复查一次。每次复查先进行AFP检测及超声检查初步确定有无复发，存在异常结果时进行CT或MRI检查进一步确认。记录患者术后复查期间的生存状态及时间，失访者则剔除。最终纳入180例HCC患者，根据术后两年内复发情况，将患者分为早期复发组（126例）和非早期复发组（54例）。使用ITK-SNAP3.6.0软件，在每例患者的肿瘤直径最大层面的术前增强CT动脉期图像上，沿肝肿瘤和脾脏边缘手动勾画肝肿瘤及脾脏ROI。将勾画后的图像按7∶3的比例随机分为训练集和测试集。在训练集中采用Unet架构对肝脏肿瘤和脾脏ROI进行学习并建立自动分割模型，然后在测试集中评估此模型的分割效果。重新将180例患者随机分为两组，一组用于DL模型的建立（DL数据集），一组用于后续Cox回归模型的建立（Cox数据集）。将用于深度学习的数据集按7∶3的比例随机分为DL训练集和DL验证集。使用基于DL技术的Resnet50架构，在DL训练集中分别构建预测术后早期复发的肝肿瘤DL模型和脾脏DL模型，然后在DL验证集中评估2个模型的效能。通过网格搜索技术分析DL验证集中肝肿瘤DL模型和脾脏DL模型的输出结果，以0.001为步长计算2个模型的最优权重分配，以此权重系数构建联合模型。最后，以术后是否复发及复发时间为因变量，临床资料和联合模型预测结果为自变量，使用Cox回归分析建立Cox回归模型，使用临床决策曲线和校准曲线评估模型表现，并采用列线图将模型可视化。结果：在训练集和测试集中，肝肿瘤分割模型分割结果的符合率分别为94.49%和 86.94%，脾脏分割模型分割结果的符合率分别为99.72%和 93.96%。在DL训练集、DL验证集和Cox数据集中，肝肿瘤DL模型的AUC分别为0.95、0.82和0.94，脾脏DL模型的AUC分别为0.91、0.75和0.88。以肝肿瘤DL模型和脾脏DL模型的权重系数分别为0.852和0.148来构建联合模型，其在Cox数据集中的AUC为0.976。Cox回归分析显示肿瘤大小（HR=1.71,95%CI：1.48~1.97，Z=7.29）、凸出肝轮廓（HR=2.49,95%CI:1.28~4.86，Z=2.67)、镜下见微血管侵犯（HR=2.04,95%CI:1.13~3.68，Z=2.36）、血清单核细胞计数（HR=4.13，95%CI:1.14~15.03，Z=2.16）、血清甲胎蛋白浓度的对数（HR=1.43，95%CI:1.09~1.87，Z=2.59）和联合模型预测结果（HR=10.58，95%CI:3.63~30.81，Z=4.32）为术后早期复发的独立预测因素。结论：基于CT动脉期图像上肝肿瘤和脾脏ROI建立的深度学习模型可较准确地预测肝癌患者早期复发情况；进一步联合临床资料构建的Cox回归模型可进一步提高预测准确性，有助于临床医师制订个性化的治疗计划。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
