基于钆塞酸增强MRI的2.5D多示例深度学习模型预测肝细胞癌微血管侵犯的多中心研究

《BMC Cancer》：Deep multi-instance learning model based on gadoxetic acid-enhanced MRI for predicting microvascular invasion of hepatocellular carcinoma: a multicenter, retrospective study

本研究针对肝细胞癌（HCC）个体化治疗中微血管侵犯（MVI）术前无创预测的临床难题，通过多中心回顾性研究探讨了不同感兴趣区（ROI）和图像输入维度对深度学习（DL）模型性能的影响。研究团队基于钆塞酸增强MRI的肝胆期（HBP）图像，开发了2D、3D和2.5D深度多示例学习（MIL）模型，发现以肿瘤及瘤周全部轴位图像作为输入的2.5D DL模型预测效能最佳（验证集AUC=0.802，测试集AUC=0.759）。进一步构建的多模态MRI模型在验证集和测试集的AUC分别达到0.857和0.788，为HCC术前MVI预测提供了可靠的影像学工具。

　　

在原发性肝癌的治疗领域，肝细胞癌（HCC）作为最常见的类型，其预后一直不容乐观。微血管侵犯（MVI）这一病理学特征，被证实是影响HCC复发和转移的独立危险因素。然而，传统上MVI的诊断完全依赖于术后病理检查，这使得术前精准预测成为临床实践中的一大挑战。随着医学影像技术的进步，特别是钆塞酸增强磁共振成像（MRI）在肝胆期（HBP）的特异性表现，为这一难题的解决带来了新的希望。

为了突破这一瓶颈，来自深圳市人民医院、南方医科大学珠江医院和暨南大学附属第一医院的研究团队开展了一项创新性的多中心研究，成果发表于《BMC Cancer》。该研究不仅系统比较了不同深度学习（DL）策略在MVI预测中的效能，更开创性地将多示例学习（MIL）框架引入放射学图像分析，为肝癌的个体化治疗决策提供了强有力的工具。

研究团队回顾性收集了来自三家医院的206例经病理证实的HCC患者数据，这些患者在术前一个月内均接受了钆塞酸增强MRI检查。通过严谨的纳入排除标准筛选后，患者被分为训练集、内部验证集和外部测试集，确保了研究结果的可靠性和泛化能力。

技术方法上，研究主要基于钆酸增强MRI的HBP图像，重点开发了2D、3D和2.5D深度学习模型。通过定义两种感兴趣区（ROI1：肿瘤区域；ROI2：肿瘤及10mm瘤周区域），利用ResNet50（2D/2.5D）和ResNet18（3D）架构进行训练。创新性地采用多示例学习（MIL）中的预测似然直方图（PLH）和词袋（BoW）方法处理变切片数问题，最终通过多种机器学习算法整合特征建立患者级预测模型。

模型性能比较结果显示，基于ROI2（肿瘤及瘤周区域）的2.5D-X模型（使用全部轴位切片）表现最优，在验证集和测试集的AUC值分别达到0.802和0.759，显著优于其他输入配置方式。这一发现证实了包含瘤周区域信息和全部轴位切片对于准确预测MVI的重要性。

多模态融合模型构建方面，研究进一步整合T1WI-FS（脂肪抑制T1加权成像）、T2WI-FS（脂肪抑制T2加权成像）和HBP序列信息，构建的多模态模型在训练集、验证集和测试集的AUC分别达到0.954、0.857和0.788，显著优于单纯临床指标模型（测试集AUC=0.609）。决策曲线分析（DCA）证实了该模型在广泛阈值概率范围内具有临床适用性。

讨论部分深入分析了2.5D深度学习技术的独特优势。与需要大量计算资源的3D模型和可能丢失空间信息的2D模型相比，2.5D DL在保持空间相关性的同时有效降低了计算复杂度。特别是多示例学习框架的成功应用，巧妙解决了因肿瘤体积差异导致的切片数量不均问题，通过弱监督学习方式有效捕捉了肿瘤内部的异质性特征。

该研究的创新价值在于首次系统评估了不同图像输入维度对MVI预测性能的影响，并证实了基于全部轴位切片的2.5D多示例学习策略的优越性。同时，研究首次将多示例学习框架应用于放射学图像的MVI预测，为医学影像分析提供了新的方法论借鉴。

然而，研究也存在一定局限性。样本量相对较小可能限制了3D模型潜力的充分发挥；手动勾画ROI可能引入主观偏差；模型的可解释性仍有提升空间。未来需要通过更大规模的多中心前瞻性研究进一步验证模型的临床价值，并探索自动分割工具的应用潜力。

综上所述，这项研究开发的基于钆塞酸增强MRI的2.5D多示例深度学习模型，为肝细胞癌微血管侵犯的术前无创预测提供了可靠解决方案。该模型在独立外部验证中表现出的稳健性能，预示着其在临床实践中的广泛应用前景，有望为HCC患者的个体化手术方案制定和术后治疗策略选择提供重要依据，最终改善患者预后。