用于肝细胞癌切除术后时间分辨生存预测的可解释多模态深度学习

《npj Digital Medicine》：Interpretable multimodal deep learning for time-resolved survival prediction after hepatocellular carcinoma resection

　　

摘要

肝细胞癌存在显著的个体间差异，即便处于相同分期且影像学表现相似的患者，其治疗结果和生存率也差别很大。现有的分期系统仍不尽理想，而基于病理学的因素以及成本高昂的基因组检测方法既不具备可推广性，也无法及时为临床决策提供依据。目前的算法只能进行粗略的风险分层或给出静态的二元预测，无法体现死亡风险随时间的变化。我们开发了具有分层可解释性的多模态深度生存模型TEMPO-HCC，并通过外部数据进行了验证，该模型可用于评估接受根治性切除术后患者的个体化总生存风险趋势。我们收集了来自6家中心的1475名患者的数据，结合多时相MRI图像、术后H&E全切片图像以及围手术期相关预测因子。该模型能够计算出术后1年、2年、3年和5年的生存概率。在外部验证队列中，TEMPO-HCC的表现优于单一模型及基于指南的分期系统，其C指数为0.751，12个月、24个月、36个月和60个月的时变AUC值分别为0.836、0.781、0.812和0.680。TEMPO-HCC代表了从静态二元分类向具有临床实用价值的动态风险预测的转变。其分层可解释性为将宏观层面的影像学特征与微观层面的组织病理学特征联系起来提供了可追溯的证据链。重要的是，将TEMPO-HCC与指南分期相结合，可以提高风险区分度，从而实现个性化的术后监测和针对风险特点的临床管理。