用户登录转化医学是什么？

【Lancet子刊】清华大学陈慧军团队：深度学习模型为不可切除肝细胞癌个性化动脉内治疗铺平道路

首页 » 《转》译 2024-09-09 转化医学网赞(5)

导读	研究结果表明，将SELECTION和ATOM等先进的深度学习模型纳入临床实践，可以显著提高uHCC患者治疗计划的准确性。

2024年9月，清华大学生物医学工程系陈慧军团队在期刊《eClinicalMedicine》上发表了题为“A deep learning model for personalized intra-arterial therapy planning in unresectable hepatocellular carcinoma: a multicenter retrospective study”的研究论文。研究结果表明，将SELECTION和ATOM等先进的深度学习模型纳入临床实践，可以显著提高uHCC患者治疗计划的准确性。这种方法有可能增强个性化的治疗策略，从而带来更好的患者预后。未来的研究，应侧重于在不同的患者群体和环境中进一步验证这些模型，以确保其普遍性和稳健性。此外，探索将这些模型整合到常规临床工作流程中，并评估它们对临床决策和患者结果的影响，将是有价值的。

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(24)00387-0/fulltext

研究背景

经动脉化疗栓塞术（TACE）和肝动脉灌注化疗（HAIC）是目前针对亚洲不可切除肝细胞癌（uHCC）患者的两种标准动脉内介入治疗（IAIT）方案，以国际指南和多项随机临床试验为指导。此外，IAIT与分子靶向药物（MTA）或免疫检查点抑制剂（ICI）联合给药，显示uHCC的长期生存获益显著改善。

在肝细胞癌（HCC）的情况下，从中期到晚期的转变，通常与肿瘤侵袭性增加相对应。肿瘤异质性的复杂性，突出了临床环境中uHCC患者干预策略选择的复杂性。uHCC的治疗决策过程，仍然是一个持续争议的话题。关键考虑因素包括影像学特征，例如，肿瘤负荷、肝硬化的存在、非边缘过度增强和浸润性外观，所有这些都在HCC患者的预后预测中，起着关键作用。

医疗人工智能（AI）正在从研究发展到临床应用。尽管如此，图像驱动AI在临床环境中，指导治疗决策的实际应用仍然有限。动态对比增强计算机断层扫描（CECT）是一种标准化的成像技术，可提供对肿瘤特征的见解。

本研究旨在开发一个基于深度学习（DL）的决策支持系统，将临床信息与CECT相结合，以支持临床医生对uHCC进行IAIT决策。据团队所知，这是首个使用收集的真实世界回顾性临床和CECT数据，来验证IAIT方案在异质uHCC人群中基于深度学习的决策支持的研究。

研究进展

SELECTION对独特治疗计划预后的预测

在所有队列中，SELECTION均显著优于临床模型1，预期来自HC队列的外部验证集（P<0.05）。与临床模型1相比，临床模型2的表现始终如一，临床模型2在TC队列中优于临床模型1。HAIC、TACE和TC队列的训练、内部验证和外部验证集中计算的生存评分之间，没有显著差异（P>0.05）。HAIC组合队列的训练集和内部验证集之间，存在显著差异（P=0.019），但训练和外部验证集之间，不存在显著差异。TACE、TC、HAIC和HC队列在每个训练数据集中发现的中位生存评分（MSS），分别为0.4035、0.6130、0.3368和0.6458。

没有PSM的不同模型的性能比较。

ATOM对推荐治疗指导的潜在价值

在这项研究中，客观缓解率（OOR）作为评价TACE或HAIC治疗效果的重要指标。团队通过分析接受TACE或HAIC的uHCC患者的ORR，研究了ATOM（基于AI的治疗决策模式）在指导治疗计划中的价值。此外，团队通过分析接受联合治疗的uHCC患者的1年OS，评估了ATOM在推荐额外联合治疗与IAIT方面的价值。