基于 Gd-EOB-DTPA-MRI 特征的机器学习模型预测肝癌早期复发：探索更优策略

为解决肝癌（HCC）患者术前早期复发预测问题，研究人员开展了基于 Gd-EOB-DTPA-MRI 特征的机器学习模型研究。对比 6 种模型与 ERASL-pre 方法，发现逻辑回归模型预测效果更佳且更敏感，有助于临床决策。

　　目的：开发由 Gd-EOB-DTPA-MRI 特征驱动的机器学习模型，用于肝癌（HCC）患者术前早期复发的预测，并与先前提出的 ERASL-pre 方法进行比较。方法：这项回顾性研究纳入了 2013 年 1 月至 2021 年 7 月期间连续接受根治性肝切除术的 311 例患者，其中 131 例肝癌早期复发患者和 180 例未早期复发患者。磁共振（MR）图像由两名放射科医生独立阅片。使用逻辑回归、分类树、随机森林、极端梯度提升（XGBoost）、支持向量机（SVM）和神经网络（Nnet）这六种机器学习算法，以 ERASL-pre 为基线模型，评估并比较不同模型的区分度、校准度和整体性能。结果：基线 ERASL-pre 的曲线下面积（AUC）分别为 0.703 和 0.716。与 ERASL-pre 相比，逻辑回归、随机森林和 SVM 的 AUC 更高，但差异不显著。XGBoost 在读者 1 和读者 2 中的 AUC 分别为 0.720 和 0.685。Nnet 的 AUC 略低于 ERASL-pre，但无统计学差异，而分类树的 AUC 最低。逻辑回归模型在大多数合理阈值概率范围内具有最佳的整体净效益。对于两名读者而言，ERASL-pre 和逻辑回归模型的预测与观察结果一致性良好。结论：逻辑回归模型在利用 Gd-EOB-DTPA MRI 预测肝癌早期复发方面表现更优，且比基线 ERASL-pre 模型更敏感。