academic radiology：增强超声与深度学习结合实现肝细胞癌微血管浸润的术前无创预测

肝细胞癌（HCC）是最常见的原发性肝癌，约占所有病例的90%。目前，HCC是世界上第六大最常见的癌症，是癌症相关死亡的第三大原因。HCC的发病率在世界范围内不断增加。微血管侵犯（MVI）在显微镜下被定义为HCC细胞侵入主要由内皮细胞组成的小血管，如门静脉分支，并被反复确认为肝切除术后复发和死亡的一个主要风险因素。因此，术前了解HCC的MVI可以有效指导治疗计划程序、有效降低术后复发率。

MVI可用于HCC的术前诊断，但只能通过手术标本的显微镜检查来检测且这种方法与取样错误和病理学家的主观评价具有相关性，因此很难在临床上广泛应用。增强超声（CEUS）可以显示实时的组织灌注，具有良好的空间和时间分辨率，由于其独特的优势，如无辐射、可重复性和便利性，已被广泛用于肝脏检查。现阶段，CEUS已被确定为使用多模态方法描述肝脏结节特征的重要影像学工具，而另一项研究表明，CEUS可以反映瘤内异质性，并可作为一种生物特征来识别肿瘤的侵入性生物学行为。

近年来，深度学习（DL）因其图像模式识别和人工智能能力而备受关注，能有效提高医学图像解读的诊断准确性、增加诊断的客观性。DL模型可处理大量的数据，并自动学习提取与模型输出相关的内部成像特征。在许多情况下，使用DL模型的特征提取优于放射科医生的诊断效率。尽管通过MRI或CT图像建立DL模型对预测HCC MVI十分重要，但以前没有研究试图通过建立基于CEUS的人工智能模型来预测HCC的MVI。

近日，发表在academic radiology杂志的一项研究建立了一个可实现手术前预测HCC MVI的CEUS DL模型，为临床进行准确的术前风险分层及预后评估提供了技术支持。

本项研究回顾性地分析了2014年12月至2022年2月期间本机构内在手术切除前1周用CEUS评估的单一原发性HCC的数据。研究人群被分为训练组（n = 198）和测试组（n = 54）。在本项研究中，使用训练队列训练三种DL模型（Resnet50、Resnet50+BAM、Resnet50+SE），并在测试队列中测试。肿瘤特征也由放射科医生评估，并进行多变量回归分析以确定开发预测性提名图模型的独立指标。并将三个DL模型的性能与基于放射科医生评价的MVI预测模型的性能进行了比较。 

研究数据显示，表现最好的模型-ResNet50+SE模型在测试组的ROC为0.856、准确率为77.2、特异性为93.9%、敏感性为52.4%。基于三个独立预测因子组合的MVI预测模型显示C-index为0.729，准确率为69.4、特异性为73.8%、敏感性为62%。 

 图 ResNet50+SE、ResNet50+BAM、ResNet50和基于三个独立预测因子组合的MVI预测模型的ROC曲线

本项研究表明，DL算法可以在CEUS图像的基础上准确预测HCC的MVI，以协助临床识别高危患者并进行准确的辅助治疗。

原文出处：

Xiachuan Qin,Jianhui Zhu,Zhengzheng Tu,et al.Contrast-Enhanced Ultrasound with Deep Learning with Attention Mechanisms for Predicting Microvascular Invasion in Single Hepatocellular Carcinoma.DOI:10.1016/j.acra.2022.12.005