European Radiology:深度学习辅助LI-RADS分级和HCC的鉴别诊断!
2024-04-11 shaosai MedSci原创 发表于上海
近年来,深度学习 (DL)在医学领域经历了快速发展。基于DL算法建立的模型具有强大的自学习能力,可以使用医学图像中包含的所有信息,包括在临床实践中被忽略的特征。
原发性肝癌是全球第三大恶性肿瘤死亡原因。原发性肝癌最常见的类型是肝细胞癌(HCC)。计算机断层成像(CT)是目前无创成像技术的重要组成部分,而增强CT(CECT)是肝癌的一线诊断工具。肝脏影像报告和数据系统 (LI-RADS)的开发是为了规范肝细胞癌高危患者肝脏CT和MRI表现的解释和报告,这对肝脏病变分级 (LR4/5/M)和明确诊断非常重要。尽管LI-RADS V2018建议对这些病变进行直接手术或活检,但由于并发症存在的风险,活检无法常规进行。临床上,肝脏病变的LI-RADS分级常由放射科医师主观判断。一些研究表明,观察者间对LI-RADS等级的评价可以达到中到高水平,但缺乏经验的年轻放射科医生的评估和专家的解释之间仍然存在一些差异。
近年来,深度学习 (DL)在医学领域经历了快速发展。基于DL算法建立的模型具有强大的自学习能力,可以使用医学图像中包含的所有信息,包括在临床实践中被忽略的特征。
近日,发表在European Radiology杂志上的一篇研究开发并建立了一种深度学习(DL)方法,该方法可确定肝脏成像报告和数据系统(LI-RADS)对高危肝脏病变的分级,并根据多期相CT成像对肝细胞癌(HCC)和非HCC进行术前的鉴别诊断。
本项回顾性研究纳入了两家独立医院的1049名患者的共1082个病灶,所有病变均经病理证实为HCC或非 HCC。所有患者均接受了四期CT 成像扫描,所有病灶均由放射科医生分级(LR 4/5/M),并根据检查日期分为内部队列(n = 886)和外部队列(n = 196)。在内部队列中,研究对基于不同CT方案的 Swin-Transformer进行了训练,并测试了其LI-RADS分级和区分HCC与非HCC的能力,然后在外部队列中进行了验证。研究进一步开发了一个具有最佳方案和临床信息的组合模型,用于区分HCC和非HCC。
在测试队列和外部验证队列中,无预对比的三阶段方案在LI-RADS分级中的κ值分别为0.6094和0.4845,准确率分别为0.8371和0.8061,而放射科医生的准确率分别为0.8596和0.8622。在测试组和外部验证组中,区分HCC和非HCC的AUC分别为0.865和0.715,而组合模型的AUC分别为0.887和0.808。
图 试验 (a) 和外部验证 (b) 中模型的ROC曲线
本项研究表明,基于无预对比三期相CT扫描方案的 Swin-Transformer模型可以简化LI-RADS分级并实现HCC和非HCC的鉴别诊断。此外,DL模型还具有使用成像和高特征性临床数据作为输入并准确区分HCC和非HCC 的潜力,为临床优化肝病患者的管理提供了支持。
原文出处:
Yang Xu,Chaoyang Zhou,Xiaojuan He,et al.Deep learning-assisted LI-RADS grading and distinguishing hepatocellular carcinoma (HCC) from non-HCC based on multiphase CT: a two-center study.DOI:10.1007/s00330-023-09857-w
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#深度学习# #LI-RADS#
64