基于人工智能的体积测量方法，用于自动评估结直肠肝转移患者的化疗反应

《European Radiology》：AI-driven volumetric approach for automatic chemotherapy response assessment in colorectal liver metastases

　　

摘要

目的

本研究评估了基于人工智能（AI）的体积测量方法在评估结直肠肝转移（CRLM）治疗反应方面的临床实用性，并将其与传统的RECIST 1.1测量方法进行了比较。

方法

我们开发并验证了一个基于nnU-Net框架的AI分割流程，该流程使用了来自三个数据集（LiTS、MetaRec和MetaBrest）的476张CT扫描图像进行训练。在MetaBrest的112张保留的CT扫描图像上评估了该流程的性能。为了进行临床验证，我们使用了PRODIGE 9–FFCD临床试验中的157名CRLM患者，这些患者具有基线和3个月随访的CT扫描图像，并分别使用RECIST 1.1和AI体积测量方法进行了评估。通过整体生存分析来比较这两种方法的预后价值。

结果

nnU-Net模型的Dice相似系数为0.775 ± 0.211，其性能随病变大小而异（大病变：0.899 ± 0.046；中等病变：0.821 ± 0.135；小病变：0.566 ± 0.330）。在整体验证队列中，RECIST 1.1和体积测量方法均显示出对整体生存的显著预后价值（p < 0.0001）。在仅具有肝转移的患者中（n = 43），体积测量显示出显著的预后分层（在-30%阈值时p = 0.0150；在-50%阈值时p = 0.0409），而RECIST 1.1未能达到统计学显著性（p = 0.2088）。

结论

基于AI的CRLM体积测量提供了重要的预后信息，这些信息可以补充甚至超越传统的RECIST 1.1测量方法，特别是在仅具有肝转移的患者中。通过深度学习实现的自动化使得在临床常规中能够进行全面的3D评估成为可能。

关键点

问题 基于AI的结直肠肝转移体积测量是否能够比传统的RECIST 1.1标准更好地改善整体生存的预后分层？

发现 基于AI的体积肿瘤负荷显示出对整体生存的强预后价值，并且在仅具有肝转移的疾病中提供了比RECIST 1.1更优的风险分层。

临床意义 基于深度学习的自动化体积测量能够实现对结直肠肝转移的全面3D评估，克服了历史上的障碍，有可能改善预后评估和临床决策。

图形摘要

此图像的替代文本可能是由AI生成的。