司徒伟基教授：基于深度学习的肝细胞癌预后预测模型——Recurr-NET的研究与应用

主要观点总结

本文介绍了一项关于肝癌术后复发预测的研究，研究者开发了一种新型多模态深度学习模型——Recurr-NET。该模型整合了术前成像和临床数据，旨在预测肝细胞癌（HCC）的复发情况。研究结果表明，Recurr-NET在预测HCC术后复发方面表现出色，优于现有的预测方法如组织学微血管侵犯（MVI）和临床评分系统。

关键观点总结

关键观点1: 研究背景

原发性肝癌是全球范围内第七大常见癌症，肝细胞癌（HCC）是最主要的类型。目前治疗早期HCC的主要手段是肝切除术，但术后复发率高。因此，预测复发风险对个体化的治疗和监测策略至关重要。

关键观点2: 研究方法

研究团队进行了一项多中心研究，纳入了1231例经组织学确诊并接受肝切除术的HCC患者。研究团队利用PyTorch框架和NVIDIA Tesla V100 GPU进行了深度学习模型的训练和验证。模型采用了残差网络（ResNet）结构和随机生存森林（RSF）算法，结合了CT影像和术前临床数据。

关键观点3: 研究结果

Recurr-NET模型在预测HCC术后复发方面表现出色，内部验证队列和外部测试队列的预测准确率均高于MVI和临床评分系统。此外，Recurr-NET在复发风险分层方面也表现优异。

关键观点4: 特征重要性分析

研究显示，CT影像是最重要的特征，对模型性能的影响最大。此外，临床变量如白细胞计数、碱性磷酸酶（ALP）、胆红素、白蛋白等也是重要的预测因素。

关键观点5: 研究结论

Recurr-NET准确预测了HCC的复发，表现优于MVI和临床预测评分，凸显了其在术前预后评估中的潜力。