栖息地分析及其他人工智能技术在肝细胞癌中Ki-67蛋白预测中的应用：一项多中心研究

《BMC Cancer》：Habitat analysis and other AI technologies for Ki-67 prediction in hepatocellular carcinoma: a multi-center study

　　

摘要

目的

开发多种人工智能（AI）模型，包括放射组学、深度迁移学习（DTL）和栖息地分析模型，以及一个组合模型，用于术前非侵入性地预测肝细胞癌（HCC）中的Ki-67表达水平。

材料与方法

对来自两家机构的433名病理学确诊的HCC患者进行了回顾性分析。根据术后免疫组化Ki-67表达水平，患者被分为高Ki-67表达组（n=320）和低Ki-67表达组（n=113）。这些患者按时间顺序进一步分为训练集（n=349）和测试集（n=84）。通过单变量和多变量逻辑回归分析来确定Ki-67表达的独立预测因子。从放射组学、DTL和栖息地分析中提取特征，然后构建模型。随后，将提取的多重特征与临床变量结合以建立组合模型，并使用多变量逻辑回归模型为该组合模型构建判别图。通过接收者操作特征曲线下面积（AUC）以及其他诊断指标（包括敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV）来比较不同模型的性能。进行统计比较以评估模型之间的性能差异。

结果

在测试集中，临床模型、放射组学模型、DTL模型、栖息地分析模型和组合模型的AUC值分别为0.741（95% CI：0.616–0.866）、0.754（95% CI：0.633–0.875）、0.805（95% CI：0.700–0.911）、0.814（95% CI：0.712–0.917）和0.819（95% CI：0.719–0.920）。在所有模型中，组合模型的AUC值最高，其次是栖息地分析模型，但两者之间没有统计学差异。此外，组合模型在训练集中的准确率（94.3%）和敏感性（95.2%）最高，而栖息地分析模型在测试集中的准确率（86.9%）和敏感性（91.4%）最高。

结论

基于Gd-EOB-DTPA增强MRI的放射组学、DTL和栖息地分析模型对于术前非侵入性地预测HCC中的Ki-67表达有效，且该组合模型的判别图具有潜在的临床应用价值。