Radiomica de MRI basada en segmentación automatizada por aprendizaje profundo para predecir la recurrencia temprana del carcinoma hepatocelular

Resumen Objetivos Investigar la utilidad de las características radiómicas de MRI basadas en segmentación automatizada por aprendizaje profundo (DL) y las características clínicas-radiológicas en la predicción de la recurrencia temprana después de la resección curativa de carcinoma hepatocelular (HCC) único. Métodos Este estudio retrospectivo de un solo centro incluyó a pacientes consecutivos con HCC comprobado quirúrgicamente que se sometieron a MRI con contraste antes de la hepatectomía curativa desde diciembre de 2009 hasta diciembre de 2021. Usando algoritmos de DL basados en U-net 3D, se realizó la segmentación automatizada del hígado y el HCC en seis secuencias de MRI. Se extrajeron características radiómicas del tumor, extensiones de borde del tumor (5 mm, 10 mm y 20 mm) y el hígado. Se construyó un modelo híbrido que incorpora la firma radiómica óptima y las características clínicas-radiológicas preoperatorias mediante análisis de regresión de Cox para la recurrencia temprana. La discriminación del modelo se caracterizó con el índice C y el área bajo la curva operativa del receptor dependiente del tiempo (tdAUC) y se comparó con los sistemas de estadificación BCLC y CNLC ampliamente adoptados. Resultados Se incluyeron cuatrocientos treinta y cuatro pacientes (edad media, 52.0 años; 376 hombres). Entre todas las firmas radiómicas, HCC con extensión de borde del tumor de 5 mm y hígado mostró el rendimiento predictivo óptimo (índice C del conjunto de entrenamiento, 0.696). Al incorporar esta firma radiómica, la hiperrealce arterial en fase de borde (APHE) y una