深度学习助力肝内胆管细胞癌诊断：CT 与 MRI 的影像组学分析及融合模型优势

《Scientific Reports》：Comparison of MRI and CT based deep learning radiomics analyses and their combination for diagnosing intrahepatic cholangiocarcinoma

研究人员为诊断肝内胆管细胞癌（iCCA），开展 CT 和 MRI 的深度学习影像组学分析，发现融合模型诊断效果佳。

　　肝内胆管细胞癌（intrahepatic cholangiocarcinoma，iCCA）是原发性肝癌（primary liver cancer，PLC）中相对少见却不容小觑的 “反派”。它常隐藏在肝脏深处，与其他类型的原发性肝癌临床表现和影像学特征极为相似，就像隐藏在黑暗中的 “伪装者” 。当通过影像学检查发现它时，患者往往已处于疾病晚期，发生局部侵袭或远处转移。手术切除虽被视为主要治疗手段，但 iCCA 患者术后复发率高达 59.6 - 73.4%，预后较差。因此，精准诊断 iCCA 对于制定合适的治疗策略、提高患者生存率至关重要。然而，传统的活检方法作为诊断 “金标准”，却需要进行侵入性手术获取组织，还依赖主观的人为评估，这无疑给患者带来了痛苦和风险，也呼唤着更便捷、准确的非侵入性诊断方法。

为了解决这一难题，郑州大学第一附属医院的研究人员挺身而出，开展了一项极具价值的研究。他们通过对基于计算机断层扫描（computed tomography，CT）和磁共振成像（magnetic resonance imaging，MRI）的深度学习（deep learning，DL）影像组学分析，致力于提高 iCCA 的诊断准确性。该研究成果发表在《Scientific Reports》上，为肝内胆管细胞癌的诊断开辟了新的方向。

研究人员在技术方法上，进行了多方面的探索。首先，他们从 2016 年 1 月至 2023 年 10 月在郑州大学第一附属医院选取了 178 例经组织病理学确诊的 PLC 患者，这些患者术前均接受了 CT 和 MRI 检查。接着，两名经验丰富的放射科医生在不知病理结果和临床因素的情况下，对 CT 和 MRI 图像进行回顾性解读，记录多种影像特征。然后，研究人员从 CT 和 MRI 图像中选取九个序列，利用 ITK - SNAP 软件进行肿瘤分割和感兴趣区域（region of interest，ROI）勾勒，并通过重采样和滤波处理数据。之后，采用迁移学习训练的残差卷积神经网络（Resnet - 50）模型提取 DL 特征，结合主成分分析（principal component analysis，PCA）降维，运用 10 折交叉验证和最小绝对收缩选择算子（least absolute shrinkage and selection operator，LASSO）算法构建 CT 和 MRI 的 DL 影像组学评分模型（DLRSCT和DLRSMRI） 。此外，通过单因素和多因素分析筛选影响 iCCA 诊断的 CT 和 MRI 影像特征，构建相应的放射学模型（RCT和RMRI） 以及 DL 影像组学 - 放射学模型（DLRRCT和DLRRMRI） 。最后，将DLRRCT和DLRRMRI模型结合，构建 CT - MRI 融合模型，并使用多种方法评估模型性能。

在研究结果方面，研究人员取得了一系列重要发现。

• 临床信息：178 例患者中，iCCA 患者 39 例，非 iCCA 患者 139 例，训练队列和测试队列患者特征无显著差异，但部分指标在不同队列间存在差异，如年龄、性别、糖类抗原 199（carbohydrate antigen 199，CA - 199）、γ - 谷氨酰转肽酶（γ - glutamyl transpeptidase，GGT）、乙肝病毒（hepatitis B virus，HBV）感染史等12。
• DL 特征选择及DLRSCT和DLRSMRI性能：经 PCA 和 LASSO 筛选后，构建的DLRSCT和DLRSMRI在训练队列中 AUC 分别为 0.941 和 0.946，在测试队列中 AUC 分别为 0.867 和 0.875，显示出良好的诊断性能3。
• 放射学和DLRR模型的独立变量：通过单因素和多因素分析，确定了用于构建RCT和RMRI模型的独立预测变量，如RCT模型中的肝内胆管扩张、wash - in 和 wash - out，RMRI模型中的肝硬化、边缘样动脉期强化、wash - in 和 wash - out 等45。
• 模态间和模态内比较结果：模态内比较显示，DLRRCT和DLRRMRI在训练和测试队列中的 AUC 均优于DLRSCT和RCT、DLRSMRI和RMRI；模态间比较表明，MRI - based 模型在测试队列中的性能略优于 CT - based 模型，但差异无统计学意义67。
• 融合模型的构建和性能：CT - MRI 融合模型在训练队列中 AUC 达 0.994，测试队列中 AUC 为 0.937，校准曲线和决策曲线显示其具有良好的校准性能和临床适用性8。

在研究结论与讨论部分，研究人员指出，CT 和 MRI 的 DL 影像组学分析在诊断 iCCA 方面均表现良好，但二者之间无显著差异。CT - MRI 交叉模态融合模型能有效识别 iCCA，为医生提供了一种非侵入性、便捷的诊断工具，有助于改善患者管理和治疗决策。不过，该研究也存在一定局限性，如数据来自单一中心、iCCA 病例数较少、未纳入其他肝脏病变等。未来研究可在多中心验证、扩大样本量、纳入更多病变类型等方面展开。

总体而言，这项研究为 iCCA 的诊断带来了新的希望，深度学习影像组学技术结合 CT 和 MRI 有望成为临床诊断的有力武器，尽管还有很长的路要走，但它为攻克肝内胆管细胞癌的诊断难题照亮了前行的方向。