Objective The aim of this study was to develop and validate an interpretable and highly generalizable multimodal radiomics model for predicting the prognosis of patients with cerebral hemorrhage. Methods This retrospective study involved 237 patients with cerebral hemorrhage from 3 medical centers, of which a training cohort of 186 patients (medical center 1) was selected and 51 patients from medical center 2 and medical center 3 were used as an external testing cohort. A total of 1762 radiomics features were extracted from nonenhanced computed tomography using Pyradiomics, and the relevant macroscopic imaging features and clinical factors were evaluated by 2 experienced radiologists. A radiomics model was established based on radiomics features using the random forest algorithm, and a radiomics-clinical model was further trained by combining radiomics features, clinical factors, and macroscopic imaging features. The performance of the models was evaluated using area under the curve (AUC), sensitivity, specificity, and calibration curves. Additionally, a novel SHAP (SHAPley Additive exPlanations) method was used to provide quantitative interpretability analysis for the optimal model. Results The radiomics-clinical model demonstrated superior predictive performance overall, with an AUC of 0.88 (95% confidence interval, 0.76–0.95; P < 0.01). Compared with the radiomics model (AUC, 0.85; 95% confidence interval, 0.72–0.94; P < 0.01), there was a 0.03 improvement in AUC. Furthermore, SHAP analysis revealed that the fusion features, rad score and clinical rad score, made significant contributions to the model's decision-making process. Conclusion Both proposed prognostic models for cerebral hemorrhage demonstrated high predictive levels, and the addition of macroscopic imaging features effectively improved the prognostic ability of the radiomics-clinical model. The radiomics-clinical model provides a higher level of predictive performance and model decision-making basis for the risk prognosis of cerebral hemorrhage.

Abstract Objectives To develop and validate a novel interpretable artificial intelligence (AI) model that integrates radiomic features, deep learning features, and imaging features at multiple semantic levels to predict the prognosis of intracerebral hemorrhage (ICH) patients at 6 months post-onset. Materials and methods Retrospectively enrolled 222 patients with ICH for Non-contrast Computed Tomography (NCCT) images and clinical data, who were divided into a training cohort ( n = 186, medical center 1) and an external testing cohort ( n = 36, medical center 2). Following image preprocessing, the entire hematoma region was segmented by two radiologists as the volume of interest (VOI). Pyradiomics algorithm library was utilized to extract 1762 radiomics features, while a deep convolutional neural network (EfficientnetV2-L) was employed to extract 1000 deep learning features. Additionally, radiologists evaluated imaging features. Based on the three different modalities of features mentioned above, the Random Forest (RF) model was trained, resulting in three models (Radiomics Model, Radiomics-Clinical Model, and DL-Radiomics-Clinical Model). The performance and clinical utility of the models were assessed using the Area Under the Receiver Operating Characteristic Curve (AUC), calibration curve, and Decision Curve Analysis (DCA), with AUC compared using the DeLong test. Furthermore, this study employs three methods, Shapley Additive Explanations (SHAP), Grad-CAM, and Guided Grad-CAM, to conduct a multidimensional interpretability analysis of model decisions. Results The Radiomics-Clinical Model and DL-Radiomics-Clinical Model exhibited relatively good predictive performance, with an AUC of 0.86 [95% Confidence Intervals (CI): 0.71, 0.95; P < 0.01] and 0.89 (95% CI: 0.74, 0.97; P < 0.01), respectively, in the external testing cohort. Conclusion The multimodal explainable AI model proposed in this study can accurately predict the prognosis of ICH. Interpretability methods such as SHAP, Grad-CAM, and Guided Grad-Cam partially address the interpretability limitations of AI models. Integrating multimodal imaging features can effectively improve the performance of the model. Clinical relevance statement Predicting the prognosis of patients with ICH is a key objective in emergency care. Accurate and efficient prognostic tools can effectively prevent, manage, and monitor adverse events in ICH patients, maximizing treatment outcomes.

Spontaneous intracerebral hemorrhage (ICH) is a very serious kind of stroke. If the outcome of patients can be accurately assessed at the early stage of disease occurrence, it will be of great significance to the patients and clinical treatment. The present study was conducted to investigate whether non-contrast computer tomography (NCCT) models of hematoma and perihematomal tissues could improve the accuracy of short-term prognosis prediction in ICH patients with conservative treatment. In this retrospective analysis, a total of 166 ICH patients with conservative treatment during hospitalization were included. Patients were randomized into a training group (N = 132) and a validation group (N = 34) in a ratio of 8:2, and the functional outcome at 90 days after clinical treatment was assessed by the modified Rankin Scale (mRS). Radiomic features of hematoma and perihematomal tissues of 5 mm, 10 mm, 15 mm were extracted from NCCT images. Clinical factors were analyzed by univariate and multivariate logistic regression to identify independent predictive factors. In the validation group, the mean area under the ROC curve (AUC) of the hematoma was 0.830, the AUC of the perihematomal tissue within 5 mm, 10 mm, 15 mm was 0.792, 0.826, 0.774, respectively, and the AUC of the combined model of hematoma and perihematomal tissue within 10 mm was 0.795. The clinical-radiomics nomogram consisting of five independent predictors and radiomics score (Rad-score) of the hematoma model were used to assess 90-day functional outcome in ICH patients with conservative treatment. Our findings found that the hematoma model had better discriminative efficacy in evaluating the early prognosis of conservatively managed ICH patients. The visual clinical-radiomics nomogram provided a more intuitive individualized risk assessment for 90-day functional outcome in ICH patients with conservative treatment. The hematoma could remain the primary therapeutic target for conservatively managed ICH patients, emphasizing the need for future clinical focus on the biological significance of the hematoma itself.

Abstract To provide a new minimally invasive treatment for children with benign thyroid nodules, and to provide clinical data for applying microwave ablation (MWA) to children. A retrospective analysis was conducted on the clinical data of 21 pediatric patients with benign thyroid nodules who underwent ultrasound‐guided MWA at the Children's Hospital affiliated with Chongqing Medical University from July 2022 to August 2023. The safety, clinical efficacy, volume reduction ratio and prognostic value of the treatment were evaluated. The participants were followed for at least 4 months (median 7 months, range 4–16 months). The average (range) ablation time for the 21 patients was only(233.90 ± 184.97) (40–660)seconds, with intraoperative bleeding less than 0.5 mL. No complications such as hoarseness, seizures or coughing during drinking water were observed after ablation treatment. All the participants' hormone reflecting thyroid function remained in the normal ranges after treatment. Besides, these hormones at 12 h after surgery and 1 month after surgery were not statistically different from those before surgery. Immediate postoperative ultrasound imaging showed a significant decrease in volume of benign thyroid nodules, the volume of nodules at 1 month postoperatively (M, 1.39), and the volume of nodules at 4 months postoperatively (M, 0.40) significantly smaller than that before surgery (M, 4.94). Ultrasound‐guided MWA is a new option for the treatment of benign thyroid nodules in children, with advantages such as minimal invasiveness, good clinical effect, high safety, little damage to thyroid function, short operation time, less intraoperative bleeding, low pain sensation and aesthetic appearance.

The peritoneal cavity (PerC) is a discrete anatomical compartment housing diverse peritoneal macrophage subpopulations. Nonetheless, there exists a paucity of knowledge concerning the distinct functions of these subpopulations in the context of hepatocellular carcinoma (HCC) and their evolution throughout tumor advancement. This investigation seeks to analyze the characteristics of two principal peritoneal macrophage subpopulations, specifically large peritoneal macrophage (LPM) and small peritoneal macrophage (SPM), in the context of HCC. The results of our research indicate a significant decrease in the proportion of LPM during the progression of HCC, accompanied by an increase in the quantity of SPM. Furthermore, SPM found in ascites exhibited a macrophage phenotype that supports tumor growth in HCC. Importantly, the dynamic decrease of LPM in murine models following lipopolysaccharide (LPS) stimulation led to a decrease in survival rate, highlighting the critical role of the altered LPM to SPM ratio in HCC survival. By employing clodronate liposomes (CL) to deplete peritoneal macrophage in murine models, followed by the adoptive transfer of LPM, we effectively prolonged the survival of HCC and attenuated tumor progression. Our results suggest that a decrease in the LPM to SPM ratio correlates with increased mortality in the HCC model. On the contrary, the maintenance of a high ratio of LPM to SPM has shown a positive effect on HCC survival. These findings have enhanced our understanding of the complex interaction between different subpopulations of peritoneal macrophage in the development of HCC. Furthermore, these results have important implications for the development of novel therapeutic strategies.

Comprehensive and non-invasive preoperative molecular diagnosis is important for prognostic and therapy decision-making in adult-type diffuse gliomas. We employed a deep learning method for automatic segmentation of brain gliomas directly from conventional magnetic resonance imaging (MRI) scans of the tumor core and peritumoral edema regions based on available glioma MRI data provided in the BraTS2021. Three-dimensional volumes of interest were segmented from 424 cases of glioma imaging data retrospectively obtained from two medical centers using the segmentation method and radiomic features were extracted. We developed a subtype prediction model based on extracted radiomic features and analyzed significance and correlations between glioma morphological characteristics and pathological features using data from patients with adult-type diffuse glioma. The automated segmentation achieved mean Dice scores of 0.884 and 0.889 for the tumor core and whole tumor, respectively. The area under the receiver operating characteristic curve for the prediction of adult-type diffuse gliomas subtypes was 0.945. "Glioblastoma, IDH-wildtype", "Astrocytoma, IDH-mutant", and "Oligodendroglioma, IDH-mutant, 1p/19q-coded" showed AUCs of 0.96, 0.914, and 0.961, respectively, for subtype prediction. Glioma morphological characteristics, molecular and pathological levels, and clinical data showed significant differences and correlations. An automatic segmentation model for gliomas based on 3D U-Nets was developed, and the prediction model for gliomas built using the parameters obtained from the automatic segmentation model showed high overall performance.