这些基于机器学习的模型可以帮助预测未来肝脏残余体积百分比（FLR%）、动力学增长率百分比（ KGR%）和总肝体积（TLV），作为门静脉栓塞术（PVE）成功的指标。
这些基于机器学习的模型可以帮助预测未来肝脏残余体积百分比（FLR%）、动力学增长率百分比（ KGR%）和总肝体积（TLV），作为门静脉栓塞术（PVE）成功的指标。
研究背景
门静脉栓塞术（PVE）正逐渐成为肝切除术前促进肝脏再生的标准方法。开发一种机器学习算法，通过预测门静脉栓塞术（Portal Vein Embolization, PVE）后的结果，为转移性结直肠癌（Colorectal Cancer, CRC）患者选择肝切除术提供改进方案。
材料和方法
这是一项2000年至2020年的多中心回顾性研究，纳入了200例计划在接受手术前进行PVE的CRC肝转移连续患者。收集了影像组学特征和实验室数值。使用统计形状模型方法计算了每个肝脏形状的患者特异性特征值。
在由一名会认证的放射科医师进行半自动分割和审核后，将数据按70%/30%的比例分为训练集和测试集。训练了三个机器学习算法，分别预测PVE后的总肝体积（Total Liver Volume, TLV）、足够的未来肝脏残余体积百分比（Future Liver Remnant %, FLR%）和动力学增长率百分比（Kinetic Growth Rate %, KGR%），并使用准确性、灵敏度、特异性、曲线下面积（Area Under Curve, AUC）或均方根误差（Root Mean Square Error, RMSE）评估其性能。通过一个学生t检验评估内部和外部测试集之间的差异显著性。其中一个机构的数据被单独保留作为外部测试集。
结果
内部和外部验证分别纳入了114例（76名男性；平均年龄56±12岁）和37例（19名男性；平均年龄50±11岁）患者。在内部测试集中，足够FLR%或肝脏生长潜力（KGR%>0%）的预测准确性（标准差，SD）和AUC（SD）较高，分别为0.91（±0.01）、85.81%（±1.01%）或0.66（±0.03）、87.44%（±0.10%）。外部测试集的结果相似，分别为0.88（±0.00）、79.66%（±0.60%）或0.69（±0.01）、72.06%（±0.30%）。TLV预测的内部和外部差异分别为12.56%（95%置信区间：±4.20%，p=0.86）和13.57%（95%置信区间：±3.76%，p=0.91）。
结论
这些基于机器学习的模型可以帮助预测FLR%、KGR%和TLV，作为PVE成功的指标。
版权声明：本平台旨在帮助医疗卫生专业人士更好地了解相关疾病领域最新进展。本平台对发布的资讯内容，并不代表同意其描述和观点，仅为提供更多信息。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。仅供医疗卫生专业人士为了解资讯使用，该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解资讯以外的目的，本平台及作者不承担相关责任。合作联系邮箱：981686121@qq.com。
