主要观点总结
清华大学生物医学工程系的陈慧军团队在《eClinicalMedicine》期刊上发表了一篇关于不可切除肝细胞癌（uHCC）的研究论文。该研究旨在开发一个基于深度学习的决策支持系统，以支持临床医生对uHCC进行动脉内介入治疗（IAIT）的决策。论文介绍了他们的研究成果及对未来研究的建议。
关键观点总结
关键观点1: 研究背景
介绍了不可切除肝细胞癌（uHCC）构成全球健康挑战，需要创新的预后和治疗计划工具来改善患者管理。经动脉化疗栓塞术（TACE）和肝动脉输注化疗（HAIC）是目前针对亚洲uHCC患者的两种标准动脉内介入治疗（IAIT）方案。医疗人工智能（AI）在指导治疗决策方面的实际应用仍然有限。
关键观点2: 研究目的
开发一个基于深度学习的决策支持系统，将临床信息与动态对比增强计算机断层扫描（CECT）相结合，以支持临床医生对uHCC进行IAIT决策。
关键观点3: 研究成果
SELECTION深度学习模型在临床实践中显著提高uHCC患者治疗计划的准确性。ATOM模型在推荐治疗方面有潜在价值，可以加强个体化IAIT方案。
关键观点4: 研究亮点
这是首个使用真实世界回顾性临床和CECT数据验证IAIT方案在异质uHCC人群中基于深度学习的决策支持的研究。SELECTION模型成功预测uHCC治疗结果，ATOM模型为临床医生提供了有力的工具，可轻松实施，进行风险分层和预后预测。
文章预览
【导读】 不可切除的肝细胞癌（uHCC）构成了重大的全球健康挑战，需要创新的预后和治疗计划工具，来改善患者管理。主要的治疗策略，包括经动脉化疗栓塞术（TACE）和肝动脉输注化疗（HAIC）。 2024年9月， 清华大学生物医学工程系陈慧军团队在期刊《eClinicalMedicine》上发表了题为“A deep learning model for personalized intra-arterial therapy planning in unresectable hepatocellular carcinoma: a multicenter retrospective study”的研究论文。研究结果表明，将SELECTION和ATOM等先进的深度学习模型纳入临床实践， 可以显著提高uHCC患者治疗计划的准确性。 这种方法有可能增强个性化的治疗策略，从而带来更好的患者预后。未来的研究，应侧重于在不同的患者群体和环境中进一步验证这些模型，以确保其普遍性和稳健性。此外，探索将这些模型整合到常规临床工作流程中，并评估它们
………………………………
