MRI-based deep learning model for early TACE response prediction in HCC: multicenter validation with biological insights
Notice bibliographique
Résumé
BACKGROUND: Transarterial chemoembolization (TACE) remains a cornerstone treatment for hepatocellular carcinoma (HCC), yet heterogeneous treatment response poses significant clinical challenges. This multicenter study aimed to develop and validate a deep learning model that leverages pretreatment MRI to predict objective response to initial TACE, while exploring imaging-biological correlations. METHODS: We utilized retrospective data from 3 institutions, which included HCC patients who underwent TACE. A deep learning algorithm (hereinafter, DLTR) was developed for predicting TACE response by comparing various deep learning algorithms. A multilayer perceptron was then employed to integrate potential clinical factors into the model (hereinafter, DLTRMLP) classifier. Performance was evaluated by the area under the receiver operating characteristic curve (AUC) in internal and external cohorts. Survival differences were assessed using log-rank test in two external test sets. RNA-sequencing data from the Cancer Image Archive (TCIA) were used to link imaging signatures to biological pathways. RESULTS: DLTRMLP achieved higher AUC than DLTR and clinical models in predicting TACE efficacy in two external test cohorts (AUC: 0.8 vs. 0.649, 0.648; 0.818 vs. 0.629, 0.659) and effectively stratified patients by progression-free survival (P = 0.035). Deep learning features correlated with 149 genes (P < 0.05), which were notably enriched in angiogenesis, EMT, hypoxia, and TGF-β Signalling pathways. CONCLUSION: The DLTRMLP model, combining MRI-based deep learning and clinical variables, robustly predicts TACE response and reveals imaging signatures linked to tumour proliferation biology. Its potential integration into MRI workflows could help optimize treatment decision-making for HCC.
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 ».