MCT-LTDiag：面向肝脏肿瘤自动鉴别诊断的多期相CT数据集构建与验证

《Scientific Data》：A Multi-phase CT Dataset for Automated Differential Diagnosis of Liver Tumors

本研究针对肝脏肿瘤异质性高、影像学鉴别困难的问题，开发了包含517例四期相CT扫描的MCT-LTDiag数据集，涵盖肝细胞癌(HCC)、肝内胆管癌(ICC)、结直肠癌肝转移(CRLM)、乳腺癌肝转移(BCLM)和肝血管瘤(HH)五种亚型。通过基于影像组学和深度学习的基线实验验证，发现多期相整合可显著提升诊断性能（如HCC的AUC达85.88%），延迟期(DP)对鉴别诊断具有关键作用。该数据集为推进肝脏肿瘤自动鉴别诊断提供了重要基准。

　　

肝脏作为人体最大的实质性器官，是多种原发性和转移性肿瘤的好发部位。这些肿瘤在病因、病理特征及治疗策略上存在显著差异：肝细胞癌（Hepatocellular Carcinoma, HCC）多与病毒性肝炎和肝硬化相关，肝内胆管癌（Intrahepatic Cholangiocarcinoma, ICC）则侵袭性更强，而来自结直肠或乳腺的肝转移瘤（Colorectal Liver Metastasis, CRLM; Breast Cancer Liver Metastasis, BCLM）又需根据原发肿瘤制定治疗方案，良性的肝血管瘤（Hepatic Hemangioma, HH）通常只需随访观察。因此，对肝脏肿瘤进行准确的鉴别诊断，是制定合理治疗计划、改善患者预后的关键一环。

目前，多期相对比增强计算机断层扫描（Contrast-Enhanced Computed Tomography, CECT）是肝脏肿瘤无创评估的重要影像学手段。不同类型的肿瘤在增强扫描的动脉期（Arterial Phase, AP）、门静脉期（Portal Venous Phase, PVP）和延迟期（Delayed Phase, DP）会呈现出具有鉴别意义的强化模式。例如，HCC典型的“快进快出”（wash-in and wash-out），ICC的延迟强化，转移瘤的环形强化，以及HH的“快进慢出”特征。然而，仅凭影像科医生的肉眼观察，常常会因为不同肿瘤影像特征的相互重叠而导致诊断不确定性，甚至误诊。虽然肝穿刺活检是诊断的“金标准”，但其有创性伴随着出血、肿瘤针道种植等风险。

近年来，人工智能（Artificial Intelligence, AI）技术，特别是影像组学（Radiomics）和深度学习（Deep Learning），为医学影像的自动化、客观化分析带来了革命性的希望。影像组学能够从影像中提取人眼难以察觉的高维定量特征（如纹理、形状、强度），再结合机器学习算法进行分类。而深度学习模型，尤其是卷积神经网络（Convolutional Neural Networks, CNN），能够端到端地从图像中直接学习判别性特征。尽管前景广阔，但该领域的发展受到公共数据集稀缺的限制。现有数据集或病例数有限，或仅包含单一期相（如LiTS基准仅提供131例PVP期图像），或只聚焦于单一肿瘤类型（如HCC或CRLM），缺乏一个涵盖多种常见肝脏肿瘤类型、包含完整多期相CT扫描的标准化大型数据集，这阻碍了稳健、可推广的AI模型的开发与公平比较。

为了突破这一瓶颈，来自中国医学科学院北京协和医院肝脏外科、复旦大学、上海人工智能实验室等机构的研究团队联合构建并发布了名为MCT-LTDiag（Multi-phase CT dataset for Liver Tumor Diagnosis）的全新数据集。这项研究成果已发表在《Scientific Data》期刊上。该研究旨在提供一个高质量的基准数据集，以推动肝脏肿瘤自动鉴别诊断算法的发展与验证。

研究的关键技术方法主要包括：回顾性收集北京协和医院2014年8月至2024年1月间经病理或临床确诊的517例肝脏肿瘤患者的四期相（平扫NC、动脉期AP、门静脉期PVP、延迟期DP）腹部CT图像；经过严格的纳入排除标准（如图像质量、肿瘤边界、直径≥1cm）筛选后，对数据进行标准化预处理，包括DICOM格式转换为NIfTI格式，并将NC、AP、DP期图像配准到PVP期；采用基于U-Net的自动分割模型结合资深放射科医生手动审核校正的方式，生成精确的PVP期肿瘤分割掩模（mask）。

样本选择与数据记录

最终数据集包含517个病例，涵盖5种肿瘤亚型：103例HCC、100例ICC、115例BCLM、103例CRLM和96例HH。所有数据均经过脱敏处理，并以规范化的目录结构存储在哈佛Dataverse平台，包含原始图像、配准后图像以及专家标注的肿瘤和肝脏分割掩模，便于研究者使用。

技术验证与基准构建

研究人员利用该数据集进行了系统的基线实验。他们比较了两种主流技术路线：一是基于影像组学的机器学习方法（如随机森林Random Forest和支持向量机SVM），二是基于深度学习的端到端学习方法（包括2D CNN、3D CNN以及结合卷积与Transformer优势的Uniformer模型）。评估采用五折交叉验证，并计算了特异性、敏感性、F1分数、AUC（Area Under the Curve）、准确率和Cohen's kappa系数等多个指标。

多期相整合的价值

一个核心发现是，综合利用多期相CT信息能显著提升分类性能。以Uniformer模型为骨干网络的消融实验表明，与仅使用PVP期相比，联合NC、AP、PVP三期时，整体诊断准确率从56.35%提升至64.68%，Kappa值从0.3577提升至0.4663。而当加入延迟期（DP）构成完整的四期相时，性能达到最佳，整体准确率进一步提升至69.25%，Kappa值达到0.5459。特别是对于HCC的诊断，其AUC从仅使用前三期的74.08%显著提升至85.88%，凸显了延迟期在捕捉HCC“ wash-out”等关键特征中的不可替代作用。

不同模型的性能比较

在模型对比方面，影像组学方法在特定任务中表现出较高的特异性（如Random Forest对ICC的特异性达91.11%）和AUC值（如SVM区分BCLM和CRLM的AUC为89.63%），表明其手工设计的特征在捕捉特定纹理模式方面具有优势。而深度学习模型，特别是Uniformer，在整体性能上更具竞争力，其HCC的AUC达到85.88%，对肝转移瘤（LM）的敏感性高达90.32%，显示了其通过数据驱动学习复杂特征的强大能力。这表明两种技术路径各有千秋，可能适用于不同的应用场景。

综上所述，这项研究成功构建了目前首个大规模、多中心、涵盖五种常见肝脏肿瘤亚型并包含完整四期相CT扫描的公开数据集MCT-LTDiag。通过详尽的基线实验，研究不仅验证了数据集的实用价值，还明确证实了多期相CT信息整合，尤其是延迟期，对于提高肝脏肿瘤AI鉴别诊断准确性的关键意义。该数据集的发布为全球研究人员提供了一个宝贵的公共平台，有望促进肝脏肿瘤影像AI分析领域的算法创新、公平比较和临床转化，最终为提升肝脏肿瘤的精准诊疗水平做出贡献。研究的讨论部分也指出了未来方向，如进一步扩大样本量、纳入更多肿瘤类型以及探索更先进的AI模型。