CT-basierte multimodale Deep Learning für nicht-invasive Vorhersage des Gesamtl survival bei Patienten mit fortgeschrittenem hepatozellulärem Karzinom, die mit Immuntherapie behandelt wurden

Ziele: Entwicklung eines Deep-Learning-Modells, das CT-Scans und klinische Informationen kombiniert, um das Gesamtl survival bei fortgeschrittenem hepatozellulärem Karzinom (HCC) vorherzusagen. Methoden: Diese retrospektive Studie umfasste mit Immuntherapie behandelte fortgeschrittene HCC-Patienten aus 52 multikulturellen Inhouse-Zentren zwischen 2018 und 2022. Ein multimodales prognostisches Modell basierend auf Basis- und den ersten Follow-up-CT-Bildern sowie 7 klinischen Variablen wurde vorgeschlagen. Ein konvolutional-rekursives neuronales Netzwerk (CRNN) wurde entwickelt, um räumlich-zeitliche Informationen aus automatisch ausgewählten repräsentativen 2D-CT-Schnitten zu extrahieren, um einen radiologischen Score zu liefern, der dann mit einem Cox-basierten klinischen Score kombiniert wurde, um das Übertragsrisiko zu bieten. Die Effektivität des Modells wurde anhand einer zeitabhängigen Fläche unter der Receiver Operating Curve (AUC) und einer Risikogruppeneinstufung mittels des Log-Rank-Tests bewertet. Die prognostischen Leistungen der multimodalen Eingaben wurden mit Modellen ohne Modalitäten und den größenbasierten RECIST-Kriterien verglichen. Ergebnisse: Zwei-hundert sieben Patienten (Durchschnittsalter 61 Jahre ± 12 SD, 180 Männer) wurden einbezogen. Das multimodale CRNN-Modell erreichte eine AUC von 0,777 und 0,704 für die 1-Jahres-Gesamtüberlebensvorhersagen in den Validierungs- und Testsets. Das Modell erreichte eine signifikante Risikostratifizierung in der Validierung (Hazard Ratio HR = 3,330, p = 0,008) und in den Testsets (HR = 2,024, p = 0,047) basierend auf dem medianen Risikoscore des Trainingssatzes. Modelle mit fehlenden Modalitäten (das einzig-modal bildgebende Modell und das Modell, das nur Baselinescans berücksichtigt) erreichen dennoch eine günstige Risikostratifizierungsleistung (alle p < 0,05, bis auf eine, p = 0,053). Darüber hinaus bewiesen die Ergebnisse die Überlegenheit des Deep-Learning-basierten Modells gegenüber den RECIST-Kriterien. Fazit: Die Deep-Learning-Analyse von CT-Scans und klinischen Daten kann signifikante prognostische Einblicke für Patienten mit fortgeschrittenem HCC bieten. Kritische Relevanz: Das etablierte Modell kann helfen, den Gesundheitszustand der Patienten zu überwachen und diejenigen mit schlechter Prognose zum Zeitpunkt des ersten Follow-ups zu identifizieren, was den Klinikern hilft, informierte Behandlungsentscheidungen zu treffen sowie frühzeitige und rechtzeitige Interventionen zu ermöglichen. Schlüsselstellen: Ein KI-basiertes prognostisches Modell wurde für fortgeschrittenes HCC unter Verwendung von multinationalen Patienten entwickelt. Das Modell extrahiert räumlich-zeitliche Informationen aus CT-Scans und integriert sie mit klinischen Variablen zur Prognose. Das Modell zeigte eine überlegene prognostische Fähigkeit im Vergleich zur konventionellen größenbasierten RECIST-Methode.