CT Radiomics Combined with Metabolic-Biomarkers Enables Early Recurrence Prediction in Hepatocellular Carcinoma
Notice bibliographique
Résumé
Liying Ren,1,2,* Dongbo Chen,2,* Tingfeng Xu,3,* Rongyu Wei,1 Bigeng Zhao,1 Yuanping Zhou,4 Yong He,5 Minjun Liao,2 Hongsong Chen,2 Weijia Liao1 1Laboratory of Hepatobiliary and Pancreatic Surgery, the First Affiliated Hospital of Guilin Medical University, Guilin, Guangxi, People’s Republic of China; 2Peking University Hepatology Institute, Peking University People’s Hospital, Beijing Key Laboratory of Hepatitis C and Immunotherapy for Liver Disease, Beijing, People’s Republic of China; 3Affiliation Department of Hepatobiliary Surgery, the First Affiliated Hospital of Guangxi Medical University, Nanning, Guangxi, People’s Republic of China; 4Guangdong Provincial Key Laboratory of Gastroenterology, Department of Gastroenterology and Hepatology Unit, Nanfang Hospital, Southern Medical University, Guangzhou, Guangdong, People’s Republic of China; 5Department of Radiology, the Second Affiliated Hospital of Guilin Medical University, Guilin, Guangxi, People’s Republic of China*These authors contributed equally to this workCorrespondence: Weijia Liao, Laboratory of Hepatobiliary and Pancreatic Surgery, the First Affiliated Hospital of Guilin Medical University, No. 15, Lequn Road, Xiufeng District, Guilin, Guangxi, 541001, People’s Republic of China, Email liaoweijia288@163.com Hongsong Chen, Peking University Hepatology Institute, Peking University People’s Hospital, No. 11 Xizhimen South Street, Beijing, 100044, People’s Republic of China, Email chenhongsong2999@163.comBackground: The prognosis of early recurrence of hepatocellular carcinoma (HCC) remains poor. This study aimed to develop and validate a radiomics model and determine potential biomarkers involved in biological pathways for early recurrence of HCC.Methods: A total of 271 HCC patients from the First Affiliated Hospital of Guilin Medical University were enrolled as the training cohort. Recurrence related radiomics features were determined by analyzing contrast-enhanced CT images, which were used for the construction of Rad-score. For external validation, we utilized both imaging and transcriptome data from 34 HCC patients in TCGA database. The identified radiomics-related genes were further validated using two independent datasets (OEP000321 and GSE14520) and immunohistochemical analysis of EEF1E1 in 38 HCC tissue samples from training cohort.Results: Rad-scores based on six radiomics features showed predictive value for early HCC recurrence in both cohorts (A465, A466, A839, V105, V250, V291). Relevant radiomics features are associated with metabolism, proliferation, and immune pathways. The most relevant recurrence-related radiomics gene module was determined via weighted correlation network analysis (WGCNA), which contained LRP12, GPD1L, GARS, EEF1E1, and DGKG. The model based on these genes could efficiently predict early HCC recurrence and was verified in the OEP000321 and GSE14520 datasets. Moreover, EEF1E1 was significantly associated with the Rad-score, illustrated prognostic value at the transcription level, and validated by immunohistochemical staining at the protein level.Conclusion: Rad-score and radiomics gene signatures from enhanced CT effectively predicted early recurrence in HCC, while EEF1E1 might serve as an efficient biomarker for early recurrence prediction for hepatocellular carcinoma. Keywords: contrast-enhanced CT, hepatocellular carcinoma, radiomics, early recurrence, EEF1E1
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».