FrontiersinOncology
浙江大学*品同教授团队：基于常规超声图像的深度学习模型鉴别肝硬化背景下肝细胞癌与肝脏其他恶性肿瘤
肝细胞癌(HCC)是最常见的原发性肝癌类型，其发病率在全球范围内不断增加。肝硬化是HCC发生发展过程中重要的高危因素。但是肝硬化患者也可能患有其他肝脏恶性肿瘤(OM)，包括肝内胆管癌(IHCC)或转移癌。肝硬化背景下的HCC和OM病灶具有不同的预后和治疗决策，因此选择准确的鉴别诊断模式显得极为重要。常规超声检查(US)是一种简便、安全且性价比较高的成像方式，可以对于肝硬化患者的肝脏局灶性病变（FLL）进行评估。然而，一些研究人员指出US特征对于鉴别HCC和OM的应用价值有限。此外，对于US特征的判断依赖于超声医师的经验，具有一定的读图者间差异性。深度学习模型(DLM)通过结合计算机视觉技术，利用来自成像模式内部大量的复杂数字信息，提供并揭示了肉眼无法检测到的疾病特征。与传统的影像组学相比，DLM从导入的成像数据中自主学习嵌入神经网络隐藏层的信息，因此它不需要图像分割和组学特征提取。US-DLM已应用于多种疾病模型，并取得了较为满意的成果。浙江大医院*品同教授团队一直致力于人工智能影像诊断模型的开发与应用。在本研究中，以最终病理结果作为金标准，团队成员开发了基于常规US特征的深度学习模型，并联合患者术前一般临床资料（Clin）建立Nomogram预测模型（图1）。本研究在FrontiersinOncology杂志上发表论文（JCR2区，影响因子：4.）。图1.联合US-DLM与患者一般临床资料，构建鉴别HCC与OM的预测模型(US-DLM+Clin)图2.各预测模型在训练组与验证组中鉴别肝硬化背景下HCC和OM的AUC曲线图常规US征象对于鉴别HCC与OM无统计学差异；在应用US-DLM以及US-DLM+Clin模型后，鉴别HCC与OM的诊断效能显著提高：US-DLM+Clin模型在验证组中诊断OM的曲线下面积达到0.81（图2）。在验证组中，应用US-DLM+Clin模型鉴别肝硬化背景下HCC与OM的决策者曲线所得的患者净收益明显高于单纯Clin模型（图3）图3.各预测模型在验证组中鉴别肝硬化背景下HCC和OM的决策者曲线浙江大医院的*品同教授为文章的通讯作者，博士生周航为文章的第一作者，该项目得到中国国家科技部重点研发计划(YFC),中国国家自然科学基金(,,,),浙江省自然科学基金(LQ20H,LQ21H)的资助。网络收录
