当前位置: X-MOL 学术Eur. Radiol. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Accurate prediction of responses to transarterial chemoembolization for patients with hepatocellular carcinoma by using artificial intelligence in contrast-enhanced ultrasound.
European Radiology ( IF 4.7 ) Pub Date : 2020-01-03 , DOI: 10.1007/s00330-019-06553-6
Dan Liu 1, 2 , Fei Liu 2, 3 , Xiaoyan Xie 1 , Liya Su 1 , Ming Liu 1 , Xiaohua Xie 1 , Ming Kuang 1, 4 , Guangliang Huang 1 , Yuqi Wang 2, 3 , Hui Zhou 2, 3 , Kun Wang 2, 3 , Manxia Lin 1 , Jie Tian 2, 5
Affiliation  

OBJECTIVES We aimed to establish and validate an artificial intelligence-based radiomics strategy for predicting personalized responses of hepatocellular carcinoma (HCC) to first transarterial chemoembolization (TACE) session by quantitatively analyzing contrast-enhanced ultrasound (CEUS) cines. METHODS One hundred and thirty HCC patients (89 for training, 41 for validation), who received ultrasound examination (CEUS and B-mode) within 1 week before the first TACE session, were retrospectively enrolled. Ultrasonographic data was used for building and validating deep learning radiomics-based CEUS model (R-DLCEUS), machine learning radiomics-based time-intensity curve of CEUS model (R-TIC), and machine learning radiomics-based B-Mode images model (R-BMode), respectively, to predict responses (objective-response and non-response) to TACE with reference to modified response evaluation criteria in solid tumor. The performance of models was compared by areas under the receiver operating characteristic curve (AUC) and the DeLong test was used to compare different AUCs. The prediction robustness was assessed for each model. RESULTS AUCs of R-DLCEUS, R-TIC, and R-BMode were 0.93 (95% CI, 0.80-0.98), 0.80 (95% CI, 0.64-0.90), and 0.81 (95% CI, 0.67-0.95) in the validation cohort, respectively. AUC of R-DLCEUS shows significant difference compared with that of R-TIC (p = 0.034) and R-BMode (p = 0.039), whereas R-TIC was not significantly different from R-BMode. The performance was highly reproducible with different training and validation cohorts. CONCLUSIONS DL-based radiomics method can effectively utilize CEUS cines to achieve accurate and personalized prediction. It is easy to operate and holds good potential for benefiting TACE candidates in clinical practice. KEY POINTS • Deep learning (DL) radiomics-based CEUS model can accurately predict responses of HCC patients to their first TACE session by quantitatively analyzing their pre-operative CEUS cines. • The visualization of the 3D CNN analysis adopted in CEUS model provided direct insight into what computers "see" on CEUS cines, which can help people understand the interpretation of CEUS data. • The proposed prediction method is easy to operate and labor-saving for clinical practice, facilitating the clinical treatment decision of HCCs with very few time costs.

中文翻译:

通过在造影增强超声中使用人工智能准确预测肝细胞癌患者经动脉化疗栓塞的反应。

目的 我们旨在建立和验证基于人工智能的放射组学策略,通过定量分析对比增强超声 (CEUS) 影像来预测肝细胞癌 (HCC) 对首次经动脉化疗栓塞 (TACE) 的个性化反应。方法 回顾性纳入在第一次 TACE 会议前 1 周内接受超声检查(CEUS 和 B 型)的 130 名 HCC 患者(89 名接受培训,41 名接受验证)。超声数据用于构建和验证基于深度学习放射组学的 CEUS 模型 (R-DLCEUS)、基于机器学习放射组学的 CEUS 模型时间-强度曲线 (R-TIC) 和基于机器学习放射组学的 B 模式图像模型(R-BMode),分别为 参考修改后的实体瘤反应评估标准预测对 TACE 的反应(客观反应和无反应)。通过接受者操作特征曲线(AUC)下的面积比较模型的性能,并使用 DeLong 测试来比较不同的 AUC。对每个模型的预测稳健性进行了评估。结果 R-DLCEUS、R-TIC 和 R-BMode 的 AUC 分别为 0.93(95% CI,0.80-0.98)、0.80(95% CI,0.64-0.90)和 0.81(95% CI,0.67-0.95)验证队列,分别。R-DLCEUS 的 AUC 与 R-TIC (p = 0.034) 和 R-BMode (p = 0.039) 相比有显着差异,而 R-TIC 与 R-BMode 没有显着差异。对于不同的训练和验证队列,该性能具有高度可重复性。结论 基于 DL 的放射组学方法可以有效地利用 CEUS 影像来实现准确和个性化的预测。它易于操作,并具有使 TACE 候选人在临床实践中受益的良好潜力。要点 • 基于深度学习 (DL) 放射组学的 CEUS 模型可以通过定量分析术前 CEUS 影像准确预测 HCC 患者对其第一次 TACE 治疗的反应。• CEUS 模型中采用的 3D CNN 分析的可视化提供了对计算机在 CEUS 电影中“看到”的内容的直接洞察,这可以帮助人们理解 CEUS 数据的解释。• 所提出的预测方法操作简单,临床实践省力,以极少的时间成本促进HCC的临床治疗决策。它易于操作,并具有使 TACE 候选人在临床实践中受益的良好潜力。要点 • 基于深度学习 (DL) 放射组学的 CEUS 模型可以通过定量分析术前 CEUS 影像准确预测 HCC 患者对其第一次 TACE 治疗的反应。• CEUS 模型中采用的 3D CNN 分析的可视化提供了对计算机在 CEUS 电影中“看到”的内容的直接洞察,这可以帮助人们理解 CEUS 数据的解释。• 所提出的预测方法操作简单,临床实践省力,以极少的时间成本促进HCC的临床治疗决策。它易于操作,并具有使 TACE 候选人在临床实践中受益的良好潜力。要点 • 基于深度学习 (DL) 放射组学的 CEUS 模型可以通过定量分析术前 CEUS 影像准确预测 HCC 患者对其第一次 TACE 治疗的反应。• CEUS 模型中采用的 3D CNN 分析的可视化提供了对计算机在 CEUS 电影中“看到”的内容的直接洞察,这可以帮助人们理解 CEUS 数据的解释。• 所提出的预测方法操作简单,临床实践省力,以极少的时间成本促进HCC的临床治疗决策。要点 • 基于深度学习 (DL) 放射组学的 CEUS 模型可以通过定量分析术前 CEUS 影像准确预测 HCC 患者对其第一次 TACE 治疗的反应。• CEUS 模型中采用的 3D CNN 分析的可视化提供了对计算机在 CEUS 电影中“看到”的内容的直接洞察,这可以帮助人们理解 CEUS 数据的解释。• 所提出的预测方法操作简单,临床实践省力,以极少的时间成本促进HCC的临床治疗决策。要点 • 基于深度学习 (DL) 放射组学的 CEUS 模型可以通过定量分析术前 CEUS 影像准确预测 HCC 患者对其第一次 TACE 治疗的反应。• CEUS 模型中采用的 3D CNN 分析的可视化提供了对计算机在 CEUS 电影中“看到”的内容的直接洞察,这可以帮助人们理解 CEUS 数据的解释。• 所提出的预测方法操作简单,临床实践省力,以极少的时间成本促进HCC的临床治疗决策。这可以帮助人们理解 CEUS 数据的解释。• 所提出的预测方法操作简单,临床实践省力,以极少的时间成本促进HCC的临床治疗决策。这可以帮助人们理解 CEUS 数据的解释。• 所提出的预测方法操作简单,临床实践省力,以极少的时间成本促进HCC的临床治疗决策。
更新日期:2020-01-04
down
wechat
bug