基于磁共振影像及深度学习的肝细胞癌恶性程度无创性诊断研究  

作　　者：佘华龙 何雪婷 李涛[2] 

机构地区：[1]湘南学院第二附属医院(郴州市第三人民医院)影像中心,湖南郴州423000 [2]湘南学院医学影像检验与康复学院,湖南郴州423000

出　　处：《湘南学院学报(医学版)》2025年第1期16-19,共4页Journal of Xiangnan University(Medical Sciences)

基　　金：湖南省科技厅临床医疗技术创新引导项目(2021SK52204)。

摘　　要：目的探讨基于多模态磁共振影像(MRI)及深度学习技术在肝细胞癌(HCC)恶性程度无创性诊断中的应用价值。方法收集湘南学院附属医院和郴州市第三人民医院2018—2024年经病理确诊的100例HCC患者的MRI影像资料,构建深度学习模型,以肿瘤病理分级作为“金标准”,其中低级别组46例、高级别组54例;评估预测模型对不同恶性程度HCC的诊断效能;通过可视化技术分析模型关注的影像特征区域,通过与临床病理对比、利用多模态磁共振图像特征,建立深度学习模型、训练样本并通过测试样本检测,以验证模型的可靠性。结果基于卷积神经网络(CNN)模型的深度学习模型在区分高、低级别HCC上表现出较高的敏感度和特异度。在此小样本研究中,在训练数据集上,模型的AUC值为0.952,其95%置信区间为0.932—0.963,敏感度为0.960,特异度为0.820。而在测试数据集上,相应的指标略有下降,其AUC值、敏感度、特异度分别为0.858(95%置信区间为0.822—0.893)、0.820和0.740。通过校准曲线的分析,观察到CNN模型的预测能力是可靠的,进一步通过Hosmer-Lemeshow(H-L)检验确认了模型的拟合度在训练数据集和测试数据集中均表现良好,P值分别为0.090和0.250。此外,决策曲线分析(DCA)结果指出,CNN模型在训练样本和验证样本中均表现出较大的临床应用潜力。结论基于MRI及深度学习的方法有望为HCC恶性程度的无创性诊断提供有力工具,辅助临床精准治疗决策。

关 键 词：肝细胞癌 磁共振影像 深度学习 无创性诊断 

分 类 号：R735.7[医药卫生—肿瘤]