基于机器学习的CT影像组学识别肝细胞癌患者高危出血食管静脉曲张
《Abdominal Radiology》:Machine learning-based CT radiomics for identifying high risk esophageal varices of bleeding in hepatocellular carcinoma
【字体:
大
中
小
】
时间:2026年10月21日
来源:Abdominal Radiology 2.3
编辑推荐:
摘要
目的:食管静脉曲张(EV)出血是肝细胞癌(HCC)患者的一种致死性并发症。目前的危险分层依赖于有创内镜检查或肝硬化的系统性替代指标。本研究旨在开发一种机器学习模型,利用基于EV特异性CT影像组学的方法,识别符合内镜标准的肝细胞癌患者中的高风险食管静脉曲张。
方法:共
摘要目的:食管静脉曲张(EV)出血是肝细胞癌(HCC)患者的一种致死性并发症。目前的危险分层依赖于有创内镜检查或肝硬化的系统性替代指标。本研究旨在开发一种机器学习模型,利用基于EV特异性CT影像组学的方法,识别符合内镜标准的肝细胞癌患者中的高风险食管静脉曲张。方法:共纳入151例肝细胞癌患者,分为训练队列(n = 101;75例高风险;2017年1月至2022年12月)和独立的时序验证队列(n = 50;29例高风险;2023年1月至2024年12月)。以内镜体征作为终点,包括活动性出血或具有高风险特征的静脉曲张。从内镜检查前六个月内采集的增强CT图像中提取影像组学特征。使用受试者工作特征(ROC)曲线下面积(AUC)、Brier评分、校准曲线和决策曲线分析(DCA)评估模型性能。结果:在训练队列中,通过最小绝对收缩与选择算子(LASSO)开发的静脉曲张特异性影像组学特征表现出优异的判别能力(交叉验证AUC:0.956;95% CI 0.872–1.000)。在时序验证队列中,该模型保持了良好的泛化能力,AUC为0.926(95% CI 0.846–0.984,敏感性:93.1%,特异性:71.4%),Brier评分为0.1186,且校准效果良好(截距 = -0.157,斜率 = 1.354)。表面积与体积比(SVR)和NGTDM粗糙度是可行的影像组学特征。结论:静脉曲张特异性影像组学模型为肝细胞癌患者的EV出血提供了高度敏感且数学稳定的无创风险分层。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号