精简版推文:
选文:大壮
编辑:小帆、大壮
2025年祝大家新年快乐！新的一年paper多多。
新年新气象，忘掉烦恼，勇往直前！
期待对AI感兴趣伙伴加入我们！
回顾2024大壮过的还是很窝心、很辛苦，咬咬牙都过去了。
展望2025，保持乐观、保持学习。
大家都感觉影像组学很low，没有low的技术，换一个角度试一试。
文章标题：Prognostic role of radiomics-based body composition
analysis for the 1-year survival for hepatocellular
carcinoma patients
中文标题：基于影像组学的体成分分析在肝细胞癌患者1年生存预后中的作用
发表期刊：《Signal Transduction and Targeted Therapy》
发表时间：2023年8月17日
0.论文介绍
肝细胞癌（HCC）是全球第五大常见恶性肿瘤。影像学检查，CT）和MRI，在HCC的诊断和局部分期中扮演着至关重要的角色。近年来，影像组学技术通过定量提取包括形状、大小、密度和组织纹理在内的特征，为肿瘤行为和预后的评估提供了新的视角。研究内容
1.1 研究背景
体成分的参数在肿瘤患者中具有预后潜力。本研究的目的是分析基于放射组学的骨骼肌肉和脂肪组织参数在晚期肝细胞癌（HCC）患者中的预后潜力。
1.2 研究方法
（1）本研究基于SORAMIC随机对照试验研究，分析了297例肝细胞癌患者的数据。患者接受了选择性内部辐射治疗（SIRT）联合索拉非尼治疗或单独索拉非尼治疗。研究的主要目标是评估1年生存期。
研究共将患者分为两组：
索拉非尼单药治疗组（n = 147）
索拉非尼联合SIRT治疗组（n = 150）
（2）通过对肌肉组织和脂肪组织进行分割，共提取了881个放射组学特征，经过相关性分析和特征清洗后，最终得到每组患者及每种组织类型的292个特征。
（3）为了提高模型的预测性能，研究使用了9种特征选择方法，并与10种不同的特征集组合相结合，最终构建了90个特征集。接着，使用11种分类器建立了990个模型，用于对患者生存期进行预测。
（4）所有患者数据根据三分之一的比例被划分为训练、验证和测试队列。训练和验证队列用于模型的训练与调优，测试队列则用于模型的独立验证和评估预测效果。
1.3 研究结果
（1）将提出的流程应用于297名患者，其中139名患者在1年后存活，158名患者死亡。亚组1包括147名接受索拉非尼单药治疗的患者，亚组2仅包括接受索拉非尼和SIRT治疗的患者（n = 150）。
（2）对于训练后的模型，线性logistic回归在接受索拉非尼治疗的亚组中表现最佳，准确率为75.51%。基于ADAC分类器，接受SIRT和索拉非尼治疗的亚组的准确率为78.00%。
对于亚组1，ROC曲线下面积（AUC）值为0.7576，95%置信区间为0.6376–0.8776。
对于亚组2，AUC为0.8032（95% CI：0.6930–0.9134）。
在所有990个训练模型中，最佳分类结果是通过包含SMA和AT的特征集并应用ReliefF特征选择方法获得的。
学习心得
（1）基于放射组学分析骨骼肌和脂肪组织的参数可以预测晚期肝细胞癌患者的1年生存期。
（2）在接受SIRT和索拉非尼联合治疗的患者中，基于放射组学的参数的预后价值更高。
（3）算法加数据多组合，增加整个实验的工作量和难度。
引用
[1] Saalfeld S, Kreher R, Hille G, Niemann U, Hinnerichs M, Öcal O, Schütte K, Zech CJ, Loewe C, van Delden O, Vandecaveye V, Verslype C, Gebauer B, Sengel C, Bargellini I, Iezzi R, Berg T, Klümpen HJ, Benckert J, Gasbarrini A, Amthauer H, Sangro B, Malfertheiner P, Preim B, Ricke J, Seidensticker M, Pech M, Surov A. Prognostic role of radiomics-based body composition analysis for the 1-year survival for hepatocellular carcinoma patients. J Cachexia Sarcopenia Muscle. 2023 Oct;14(5):2301-2309. doi: 10.1002/jcsm.13315IF: 9.4 Q1 . Epub 2023 Aug 17. PMID: 37592827; PMCID: PMC10570090.
感谢您的阅读，如果您对这项研究感兴趣或想了解更多关于AI在医学中的应用，请继续关注我们，我们会定期分享最新的科研成果和健康资讯。别忘了点赞和转发哦！👍🔄
