基于增强 MRI 和自配置深度学习的 LI-RADS 肝细胞癌风险映射研究成果显著

为解决肝细胞癌（HCC）诊断难题，研究人员利用 nnU-Net 构建模型，对 HCC 风险评估有重要意义。

　　## 肝细胞癌诊断新突破：深度学习助力风险评估
在全球范围内，肝细胞癌（Hepatocellular Carcinoma，HCC）是导致癌症相关死亡的主要原因之一。早期发现对于提高 HCC 患者的生存率至关重要，而影像学检查在 HCC 的诊断中发挥着关键作用。目前，钆塞酸二钠增强磁共振成像（gadoxetate disodium-enhanced magnetic resonance imaging，EOB-MRI）是常用的诊断方法。然而，依据肝脏影像报告和数据系统（Liver Imaging Reporting and Data System，LI-RADS）进行的标准化报告虽然有助于提高对 Gd-MRI 结果的解读，但过程复杂且耗时。同时，非标准化的成像协议、图像解读和报告可能导致对肝脏病变的评估不足，以及 HCC 风险的不准确传达。这些问题使得临床实践中 HCC 的诊断面临挑战，迫切需要更高效、准确的诊断方法。

为了解决这些问题，来自海德堡大学医院、塞梅维什大学等机构的研究人员开展了一项研究。他们旨在创建并评估一种基于 nnU-Net 的自动分割模型，用于根据 LI-RADS v2018 进行 HCC 风险评估。该研究成果发表在《Cancer Imaging》杂志上，为 HCC 的诊断带来了新的思路和方法。

研究方法

1. 数据收集与处理：研究人员进行了一项单中心回顾性研究，通过半自动报告搜索和筛选，从诊所的放射信息系统中确定了 4275 名有 HCC 发病风险的患者（报告提及肝硬化、乙肝感染或当前 / 既往 HCC）。经过进一步筛选，最终纳入 602 例患者，这些患者在 2005 年 5 月至 2022 年 9 月期间接受了动态 EOB-MRI 检查，且检查结果中至少包含一个 LR-3 及以上级别的病变。对这些患者的 MRI 检查图像进行处理，转换为 NIfTI 格式，并进行图像配准。
2. 手动图像分割：由一名有 3 年肝脏 MRI 分析经验的放射科实习生和一名有 5 年腹部成像经验的初级放射科医生对图像进行手动分割，分割结果由一名有 11 年腹部成像经验的放射科医生校对。根据 LI-RADS v2018，在单一语义分割掩码中标记病变，并将病变手动分类为 LR-3、LR-4、LR-5 或 LR-M。同时，利用公开可用的肝脏分割模型创建全肝分割，以提高分割质量。
3. 模型开发：将最终队列根据扫描的相应子部门分为两个数据集，较大的数据集用于使用 nnU-Net 进行训练，较小的数据集用于内部测试。图像被分为 14 组，分别分配给 U-Net 的输入通道。nnU-Net 管道自动完成模型创建、训练、规划和数据预处理等工作。
4. 外部验证：使用 LiverHccSeg 数据集进行外部评估。对数据集中的肿瘤根据 LI-RADS v2018 重新分类，并纳入符合输入通道的所有 DICOM 系列，排除图像质量不佳的检查。
5. 统计评估：从分割（语义分割和实例分割）、病变检测和 LI-RADS 分类等方面评估模型性能。计算 S?rensen-Dice 系数（DSC）、一致性相关系数（CCC）等指标，通过混淆矩阵分析预测结果与真实结果的差异。

研究结果

1. 研究人群：纳入分析的 602 例患者中，共自动识别出 1657 个和 874 个标记区域，其中 416 个和 220 个被标记为 LR-5。患者的肝硬化程度以 CHILD-A 为主，所有 Child-Pugh 评分类别均存在。
2. 语义分割：在肝脏分割方面，内部测试数据集的预测分割与公共模型分割相比，DSC 中位数为 0.96（0.92, 0.97），与手动校正输出相比为 0.99（0.98, 1.00）。在肝脏病变语义分割中，LR-5 病变的真实分割与预测分割重叠度最高，训练组和内部测试组的 DSC 分别为 0.72 和 0.76，CCC 值分别为 0.86 和 0.94，而 LR-3、LR-4 和 LR-M 类别的 DSC 和 CCC 值明显较低。
3. 实例分割：病变水平的 DSC 中位数在训练组为 0.61 - 0.74，在内部测试组为 0.52 - 0.77。LR-5 病变的 DSC 和 CCC 值最高。
4. 病变检测：LR-5 病变的检测灵敏度最高，训练组为 0.85，内部测试组为 0.90；LR-3 病变的检测灵敏度最低，训练组为 0.41，内部测试组为 0.40。LR-5 病变的阳性预测值（PPV）最高，LR-3 和 LR-M 病变的 PPV 较低。小于 10mm 的真实病变几乎未被 nnU-Net 预测到。
5. LI-RADS 分类：对于≥10mm 的病变，LR-5 病变的灵敏度和 F1 值最高，其他 LI-RADS 类别的值在两个队列中范围为 0.50 - 0.66。所有 LI-RADS 类别的特异性和阴性预测值（NPV）较高，LR-M 病变的特异性和 NPV 最高。LR-5 和 LR-M 病变的 Kappa 值最高。
6. 遮挡敏感性分析：确定了对病变检测、分割和分类贡献最大的输入通道。如 HBP、AP 和 NCE 对 LR-3 病变检测影响较大；AP 和 HBP 对 LR-4 病变分类影响较大等。
7. 外部验证：外部测试数据集排除了 1 例图像质量不佳的检查。几乎所有病变被分类为 LR-5，病变检测的灵敏度和 PPV 分别为 0.83 和 0.90，LR-5 病变 LI-RADS 分类的 F1 评分为 0.84，每病变的 DSC 中位数为 0.84（0.65, 0.87）。

研究结论与意义

研究人员成功开发了一种基于 nnU-Net 的自动 DCE-MRI 分割模型，用于 HCC 风险评估。该模型在 LR-5 病变的检测和分类方面表现出较高的灵敏度和 PPV，与专家分类相比，在 LR-5 病变的体积预测上具有良好的一致性。虽然该模型在 LR-3、LR-4 和 LR-M 病变的检测和分类上存在一定局限性，但 DL 算法仍有望缓解 LI-RADS 的部分局限性，辅助病变分类，尤其是对于经验不足的放射科医生。此外，该模型还可用于 MRI 病例的自动二次分析、大规模研究和临床调查、肿瘤体积测量以及放射组学特征提取等，具有广泛的应用前景。然而，研究也存在一些局限性，如金标准分割和 LI-RADS 分类由单一专家确定、未与组织病理学诊断相关联等，未来的研究可以针对这些方面进行改进。总之，这项研究为 HCC 的诊断和评估提供了新的技术手段，推动了 HCC 诊断领域的发展，有望在未来临床实践中发挥重要作用。