基于磁共振多参数的深度学习方法预测肝细胞癌病理分级及微血管侵犯的研究.pdfVIP

基于磁共振多参数的深度学习方法预测肝细胞癌病理分级及微血管侵犯

的研究

摘要

目的：探讨基于钆塞酸二钠(gadoliniumethoxybenzyldiethylenetriaminepentaaceticacid,

Gd-EOB-DTPA)增强磁共振多参数的深度学习模型在预测肝细胞癌(hepatocellular

carcinoma,HCC)分级及微血管侵犯(microvascularinvasion,MVI)的诊断效能。

方法：回顾性收集2018年6月至2020年6月间，青岛大学附属医院344例术后病理

证实为HCC患者，术前1个月内行Gd-EOB-DTPA增强MRI检查。以HCC术后病理

分级及MVI情况，将患者分为HCC低级别组及高级别组，MVI阳性组及阴性组。使

用3Dslicer软件手动逐层勾画每个患者的肝胆期15min和DWI两个序列图像中的

HCC病灶，生成感兴趣区。使用nnU-Net模型基于肝胆期15min图像进行HCC病灶

分割。在分割任务中，将所有肝胆期15min图像按8:2的比例随机分为训练组和测试

组。训练构建ResNet18模型进行HCC病理分级及MVI状态预测。在分类任务中，将

所有患者图像按8:2的比例随机分为训练组和测试组。经单因素分析筛选出HCC患者

高、低级别组间及MVI阴、阳性组间均有统计学差异的临床重要因素，构建临床模型。

采用肝胆期15min及DWI图像训练构建ResNet18模型。筛选出的临床重要因素与

MR

MR多序列图像训练构建ResNet18组合模型。运用Dice系数来评价nnU-Net的分割性

能。采用受试者工作特征曲线(receiveroperatorcharacteristiccurve,ROC)及曲线下面积

(areaundercurve,AUC)比较不同分类模型的预测效能，运用混淆矩阵、准确率、灵敏

度和特异性等指标来评价模型分类性能。

结果：nnU-Net模型基于肝胆期15min图像分割HCC病灶的Dice系数为0.737。AFP

指标在HCC高、低级别组间及MVI阴、阳性组间均有统计学差异。临床模型、

ResNet18模型及ResNet18模型预测HCC分级的准确率分别为0.638、0.696和

MR组合

0.768，预测MVI的准确率分别为0.551、0.710和0.788。临床模型、ResNet18模型

MR

及ResNet18组合模型预测HCC分级的AUC分别为0.660[95%置信区间(confidence

interval,CI)：0.536-0.784]、0.701(95%CI：0.578-0.824)和0.757(95%CI：0.640-

0.874)，预测MVI的AUC分别为0.591(95%CI：0.501-0.680)、0.705(95%CI：0.583

-0.827)和0.796(95%CI：0.707-0.884)。相较于临床模型及ResNet18模型，

MR

ResNet18组合模型在预测HCC分级和MVI状态时展现出更优的性能。

结论：(1)nnU-Net神经网络模型在HCC病灶分割任务中展现出了良好性能；(2)

ResNet18组合模型在预测HCC分级及MVI方面具有良好的诊断效能，为术前预测HCC

患者HCC分级及MVI提供新