一种用于肝细胞癌分割和组织学分级的一体化多任务学习框架，该框架结合了多相磁共振成像（MRI）技术

《Abdominal Radiology》：Integrated multi-task learning framework for hepatocellular carcinoma segmentation and histological grading using fused multi-phase MRI

肝细胞癌（HCC）多任务学习框架通过融合动脉期与门静脉期MRI图像，结合深度学习分割与放射组学分级，显著提升肿瘤分割准确率（DSC>0.92）和分级分类性能（测试准确率92.5%，AUC>96%）。Transformer-RFE-Fused（Wavelet）模型表现最优，SHAP分析和t-SNE可视化验证了关键特征的有效性及分类可解释性。

　　

摘要

目的

本研究旨在通过结合基于深度学习的分割技术和基于放射组学的组织学分级方法，并利用融合多相位MRI，开发并验证一个用于肝细胞癌分析的集成多任务框架。

材料与方法

在这项回顾性研究中，分析了1673名经组织病理学确诊的肝细胞癌患者（875例高级别，798例低级别）的MRI数据。采用标准化的推注追踪协议获取动脉期和门静脉期T1加权图像，以确保对比度时序的一致性。六种分割模型（Vision Transformer、nnU-Net、U-Net、DeepLabV3+、Swin Transformer和SegNet）分别在动脉期、门静脉期以及融合（基于小波的）MRI数据上进行了训练。从分割出的肿瘤体积中提取了215个放射组学特征，并进行了预处理以消除多重共线性。特征精炼采用了Lasso、递归特征消除（RFE）和ANOVA方法。肿瘤分级采用TabTransformer、TabNet、XGBoost和CatBoost进行。通过五折交叉验证和独立测试集对模型进行了稳健性评估。标准化预处理步骤（包括强度归一化、偏场校正和相位间配准）确保了图像质量的一致性和分析结果的可重复性。

结果

所提出的框架在融合MRI图像上的分割精度很高，DSC得分超过0.92。分类性能表现出色，训练准确率达到93.2%，测试准确率为92.5%，而在融合模式下AUC值超过96%。比较分析显示，Transformer-RFE-Fused模型的性能优于其他架构，展现出更强的泛化能力和稳健的特征学习能力。此外，SHAP分析证实了关键放射组学特征的重要贡献，t-SNE可视化结果清晰地展示了低级别和高级别肿瘤之间的区别。这些结果验证了我们的多任务学习方法在提高肝细胞癌肿瘤分割和分级方面的有效性。我们的评估强调了该集成框架在实现准确、可重复和可解释的肝细胞癌诊断方面的临床潜力。

结论

我们的集成多任务学习框架显著提升了肝细胞癌肿瘤的分割和分级能力。Transformer-RFE-Fused（基于小波的）MRI方法具有更高的准确性和稳健性，为改进临床决策提供了有效途径。