Improving risk stratification and detection of early HCC using ultrasound-based deep learning models
Notice bibliographique
Résumé
Background & Aims: Hepatocellular carcinoma (HCC) surveillance programs are suboptimal. We aimed to design an ultrasound-based deep learning model for HCC risk stratification (STARHE-RISK) and early-stage HCC detection (STARHE-DETECT) in patients with compensated advanced chronic liver disease (cACLD). Methods: This prospective multicentric study included 403 adult patients with cACLD of all causes enrolled in a surveillance program for at least 6 months without prior history of HCC. STARHE-RISK was trained on ultrasound cine clips of the non-tumoral liver parenchyma using two classes: cases (n = 152 patients with early-stage HCC; 137/152 [82%] male; median age 63 years) and controls (n = 170 patients without HCC at inclusion and during a subsequent 1-year follow-up; 120/170 [71%] male; median age 69 years). STARHE-DETECT was trained on tumour ultrasound cine clips. The training/validation and testing sets were stratified according to potential confounders, and 50 patients who were balanced in both groups were allocated to the independent testing set based on sample size calculation. Statistical analysis included classification and detection metrics. Results: = 0.004]) for predicting a patient at high risk of HCC development. STARHE-DETECT achieved a 0.67 mAP10, a 0.68 sensitivity (95% CI 0.47-0.85), and a 0.82 specificity (95% CI 0.69-0.91) for detecting early-stage HCC. Conclusions: STARHE-RISK and STARHE-DETECT achieved robust performances for HCC risk stratification and early-stage HCC detection, respectively. They could become valuable surveillance tools and pave the way for a risk-based personalised surveillance program. Impact and implications: STARHE-RISK is a reliable ultrasound-based deep learning model for hepatocellular carcinoma (HCC) risk stratification in patients with compensated advanced chronic liver disease and can be associated with complementary scores integrating clinical and blood parameters. STARHE-DETECT could become a complementary tool to visual assessment for radiologists and sonographers in HCC surveillance. Both models are based on simple and easy-to-perform ultrasound cine clip acquisitions. This study paves the way for a risk-based personalised surveillance program that will not ultimately rely on a single test but rather on a combination of approaches mixing clinical, biological, and radiological data. Clinical Trials Registration: The study is registered at ClinicalTrials.gov (NCT04802954).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».