基于多组织深度融合网络的肝细胞癌肺转移预测研究

本综述提出多组织深度融合网络（MDFNet），通过整合肿瘤、肝实质及血管的CT影像特征，采用双重对比学习（DLCL）与三重注意力融合（TAFF）模块，有效解决肝细胞癌（HCC）肺预测中的异质性挑战，在 multicenter 验证中达到AUC 0.7948，为HCC转移预警提供新范式。

　　

Highlight

• 区别于以肿瘤为中心的模型，MDFNet通过MeshNet骨干网络从肿瘤、肝脏和血管中提取空间结构特征，捕获跨组织的转移相关模式，为探索肺转移相关的HCC侵袭性影像变化提供新方向。

• 设计的双重对比学习（DLCL）模块结合数据级（如填充、抖动和缩放）和网络级（基于Dropout的噪声）增强策略，以增强类间差异（如转移与非转移HCC），同时减少类内变化（如肿瘤大小/形态多样性），从而高效建模与肺转移风险相关的多种组织特征。

• 提出的三重注意力机制特征融合（TAFF）模块分层融合多组织特征，优先处理肿瘤-肝脏和肿瘤-血管的交互，并动态融合它们。该机制首先以肿瘤为中心进行特征融合，然后自适应地整合从肝脏和血管中获得的相关信息，从而从多角度有效分析HCC异质性，提升最终肺转移预测的特征表示质量。

• 所提出的方法在多中心临床数据集上进行了评估，该数据集包含从七家医院收集的370例HCC患者。模型在七家医院中的四家患者数据上训练，并在其余三家医院的患者数据上测试。取得了令人满意的预测性能和可解释性，证明基于CT图像检测HCC转移时，多组织信息至关重要。通过解决以肿瘤为中心范式和手动特征工程的局限性，MDFNet成为一个新颖且有效的预测HCC相关肺转移的框架。

Multi-tissue information for disease prediction

多组织特征整合已被证明可有效预测不同疾病。例如，Li等人将肝脏、脾脏和食管的放射组学特征拼接起来，用于预测肝硬化患者食管静脉曲张的风险。Gerwing等人采用了类似策略，结合肝脏、脾脏和骨髓的特征来预测门静脉栓塞术后未来残余肝脏的肥大。尽管传统的基于放射组学的方法...

Dataset and Methodology

所提出的MDFNet概览如图2所示。该框架包括三个模块：(1) 特征提取模块，使用MeshNet作为骨干网络，从肝脏、肿瘤和血管中提取空间结构特征；(2) DLCL模块，专注于突出不同组织间的特征差异，以增强所提取特征的表征能力；(3) TAFF模块，基于...整合来自多个组织的空间结构特征。

Experimental setup

所有样本均经过如下预处理。首先，采用基于nnUNet框架的TotalSegmentator工具对静脉期CT图像中的肝脏、门静脉和脾静脉进行初始分割。选择TotalSegmentator是因为其在医学图像分割任务中已验证的性能。实施了严格的细化协议，其标准如下以减轻自动分割中的潜在错误：对于肝脏分割...

Effectiveness of multi-tissue information

临床解释对于计算机辅助预测至关重要。因此，采用网格显著性检测来可视化MDFNet识别的不同组织内的关键区域。如图4所示，在两种病例中，MDFNet主要关注肿瘤与肝实质的接触面，以及门静脉系统最邻近的部分（图4(e)第一行：主干；图4(e)第二行：主干分叉处）。如...

Conclusion

本研究设计了一种基于多组织MeshNet的方法来预测术后肺转移风险。与仅涉及肿瘤信息的现有模型相比，MDFNet额外引入了反映HCC相关性组织改变的肝脏和肝相关血管信息，增强了其分析肿瘤异质性以准确预测风险的能力。通过在多中心验证上的一致工作以及MDFNet引导的探索...