Согласно Американскому журналу рентгенологии (AJR) ARRS , модели машинного обучения, применяемые к малоиспользуемым в настоящее время функциям визуализации, могут помочь создать более надежные критерии для распределения органов и приемлемости трансплантации печени. 

«Результаты показывают, что модели, основанные на машинном обучении, могут предсказывать рецидив до назначения терапии у пациентов с ранней стадией гепатоцеллюлярной карциномы (ГЦК), изначально подходящих для трансплантации печени», — пишет автор-корреспондент Джулиус Чапиро из отдела радиологии и биомедицинской визуализации Йельского университета. Школа медицины в Нью-Хейвене, Коннектикут. 

В экспериментальное исследование Chapiro и его коллег было включено 120 пациентов (88 мужчин, 32 женщины; средний возраст 60 лет), у которых в период с июня 2005 г. по март 2018 г. был диагностирован ГЦК на ранней стадии. трансплантации, резекции или термической абляции. Пациенты прошли МРТ перед лечением и визуализирующее наблюдение после лечения, а признаки изображений были извлечены из постконтрастных фаз МРТ-исследований перед лечением с использованием предварительно обученной сверточной нейронной сети (VGG-16). Клинические характеристики до лечения (включая лабораторные данные) и извлеченные признаки визуализации были объединены для разработки трех моделей ML — клинической, визуализирующей и комбинированной — для прогнозирования рецидивов в течение 1–6 лет после лечения. 

В конечном счете, все три модели предсказывали рецидив ГЦК на ранней стадии после лечения на основании клинических данных до лечения (AUC 0,60–0,78 во всех шести временных рамках),  МРТ  (AUC 0,71–0,85) и обоих данных вместе взятых (AUC 0,62–0,86). Использование данных визуализации в качестве единственного входа модели дало более высокую прогностическую эффективность, чем только клинические данные; однако объединение обоих типов данных не привело к значительному улучшению производительности по сравнению с использованием только данных визуализации. 

Источник