关键词:
肝细胞癌
深度学习
体层摄影术,X线计算机
经导管肝动脉化疗栓塞
肿瘤反应
摘要:
目的:探讨基于多中心CT增强影像组学特征构建的视觉变换器(VIT)深度学习模型在预测原发性肝癌经导管肝动脉化疗栓塞(TACE)术后肿瘤反应中的价值。方法:自美国国家癌症研究所创建的癌症影像档案库中提取2002年11月-2012年6月在德克萨斯大学MD安德森癌症中心经手术病理确诊为肝癌且接受TACE的85例患者的临床和CT资料。将所有患者随机分为训练集(n=51)和内部验证集(n=34)。搜集2022年1月-2023年6月在本院经手术病理确诊的17例肝癌患者作为外部验证集。所有患者术后随访时间均在14周内,采用增强CT根据改良的实体瘤疗效评价标准(mRECIST 1.1)评估肿瘤反应,分为客观反应和非客观反应。基于CT门脉期增强图像提取肝癌病灶3D-ROI的影像组学特征。在训练集中,采用Wilcoxon检验筛选与肿瘤反应显著相关的特征,然后训练和构建VIT深度学习模型,并采用线性判别分析(LDA)、贝叶斯和自动编码器等传统机器学习(ML)方法构建模型。采用ROC曲线评估模型对TACE术后肿瘤反应的预测效能,对比模型的曲线下面积(AUC),并在内部和外部验证集中测试模型的泛化能力。基于类内相关性系数(ICC)探讨特征性稳健性对模型效能的影响。结果:Wilcoxon检验筛选出19个与肿瘤反应相关的特征并构建预测模型。在传统机器学习模型中,LDA机器学习模型表现最优,在训练集中的AUC为0.89,在内部及外部验证集中的AUC为0.72和0.68。VIT模型在训练集中的AUC为0.79,在内部和外部验证集中分别为0.82和0.68。经过ICC对上述19个特征分析后排除3个ICC小于0.75特征后再构建模型。对比AUC值,尽管LDA模型在外部验证集中的表现更优,但AUC变化更大(0.68 vs.0.80)。VIT模型在内部验证集中效能提高明显,但在外部验证集中变化并不明显(0.68 vs.0.70)。结论:基于CT门脉期增强图像提取的肝癌影像组学特征构建的VIT深度学习模型经过多中心数据集测试,可作为预测原发性肝癌经导管肝动脉化疗栓塞术后肿瘤反应的潜在影像标记物。