基于动态对比增强磁共振多通道深度学习与临床模型融合的无创鉴别肝细胞癌与肿块型肝内胆管癌研究

《Frontiers in Oncology》：Dynamic contrast-enhanced MRI deep learning model combined with clinical model for noninvasive differentiation of hepatocellular carcinoma from mass-forming intrahepatic cholangiocarcinoma

　　

目的与背景： 本研究旨在开发一种整合基于动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI）的多通道深度学习与临床建模的框架，用于肝细胞癌（hepatocellular carcinoma，HCC）与肿块型肝内胆管癌（mass-forming intrahepatic cholangiocarcinoma，MF-ICC）的术前无创鉴别。 方法： 内部开发队列包含334例经手术确诊的患者，其中HCC 231例、MF-ICC 103例，并在患者层面分为训练队列（n = 233）和内部验证队列（n = 101）。独立外部验证队列包括50例患者，其中HCC 40例、MF-ICC 10例。研究人员分别基于动脉期、门静脉期和延迟期图像构建了独立的二维深度学习模型，并进一步开发了融合模型（2D模型）。此外，通过将三期图像沿通道维度堆叠直接输入，构建了多通道深度学习模型。同时，基于多变量分析确定的独立预测因子建立了临床模型，并最终将其与表现最佳的深度学习模型进行整合。对模型性能进行了评估和比较。 结果： 将三期图像作为多通道输入直接输入的深度学习模型获得了更好的判别性能（内部验证队列的曲线下面积[AUC] = 0.814），优于所有单期相模型及相应的融合模型。综合2D + 多通道 + 临床模型在HCC与MF-ICC的鉴别中表现出最佳性能，内部验证队列AUC达0.887（95% CI，0.819–0.954），并在外部验证队列中展现出良好的泛化能力（AUC = 0.908；95% CI，0.811–1.000）。然而，经多重比较校正后，各模型间的AUC差异均无统计学显著性。 结论： 将临床预测因子与DCE-MRI多期相深度学习特征相整合的融合模型，可能为术前无创鉴别HCC与MF-ICC提供有价值的工具。

一、研究背景与问题

肝内胆管癌（intrahepatic cholangiocarcinoma，ICC）是肝脏原发性恶性肿瘤之一，其中肿块型肝内胆管癌（mass-forming intrahepatic cholangiocarcinoma，MF-ICC）约占所有ICC病例的60%，是仅次于肝细胞癌（hepatocellular carcinoma，HCC）的第二常见原发性肝脏恶性肿瘤。MF-ICC与HCC共享多种危险因素，包括肝硬化和慢性病毒性肝炎，但两者的治疗策略存在显著差异：手术切除是MF-ICC唯一的潜在治愈手段，而HCC的治疗选择则更为多样，包括经皮消融、射频消融、手术切除和肝移植等。因此，术前准确鉴别MF-ICC与HCC具有重要的临床意义。

目前术前鉴别诊断主要依赖常规影像学检查，如动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI）。然而，MF-ICC与HCC的影像表现存在显著重叠，部分浸润性HCC可表现出与MF-ICC相似的影像特征，这对依赖放射科医师主观经验的传统影像诊断构成了重大挑战。传统影像组学方法虽在肿瘤鉴别中展现一定潜力，但往往难以充分捕捉多期相DCE-MRI数据中蕴含的复杂信息。相比之下，深度学习模型因能自动从大规模数据集中学习和提取复杂特征而具有显著优势，但现有研究多局限于单期相分析，未能充分利用多期相增强所提供的综合血流动力学信息。多通道深度学习架构通过将不同图像作为并行输入处理，使模型能够协同分析不同图像间的特征，从而捕捉全面的肿瘤信息，为准确鉴别MF-ICC与HCC提供了新的技术路径。

二、研究设计与方法概述

该研究为回顾性研究，纳入内部开发队列334例手术确诊患者（HCC 231例、MF-ICC 103例），按患者层面分层随机分为训练队列（n = 233）和内部验证队列（n = 101），并纳入独立外部验证队列50例（HCC 40例、MF-ICC 10例）。研究构建了基于动脉期（arterial phase，AP）、门静脉期（portal venous phase，PVP）和延迟期（delayed phase，DP）图像的独立二维深度学习模型及决策级融合模型（2D模型），并开发了将三期图像沿通道维度堆叠直接输入的多通道深度学习模型。此外，基于多变量逻辑回归分析确定的独立预测因子建立临床模型，最终与表现最佳的深度学习模型整合。模型采用VGG11-bn骨干架构，在内部验证队列中以AUC最大化选择检查点，并在外部验证队列中固定阈值进行评估。

三、研究结果

临床模型性能： 单变量分析确定性别、肿瘤直径、甲胎蛋白（alpha-fetoprotein，AFP）、瘤内坏死和动脉期边缘强化为候选预测因子。多变量逻辑回归显示，肿瘤直径≥5 cm（OR，17.762；95% CI，6.999–45.077；p < 0.001）、AFP ≥400 ng/mL（OR，3.633；95% CI，1.650–8.003；p = 0.001）和动脉期边缘强化（OR，15.380；95% CI，6.555–36.085；p < 0.001）与MF-ICC独立相关。临床模型在内部验证队列和外部验证队列的AUC分别为0.784和0.745。

单期相及决策级融合模型性能： 基于堆叠策略的2D模型在训练队列中取得最高AUC（0.849）。在内部和外部验证队列中，AP、DP、PVP单期相模型、堆叠模型和算术集成模型对HCC与MF-ICC的鉴别性能相当，外部验证队列中算术集成模型AUC最高达0.948。

融合模型性能： 综合2D + 多通道 + 临床模型在HCC与MF-ICC鉴别中表现最佳，内部验证队列AUC为0.887（95% CI，0.819–0.954），外部验证队列AUC为0.908（95% CI，0.811–1.000）。多通道深度学习模型（内部验证AUC = 0.814）优于所有单期相及对应融合模型。在内部验证队列中，2D + 临床模型与临床模型、多通道 + 临床模型与2D模型及临床模型、综合模型与多通道模型及2D模型之间均存在未校正的显著差异；外部验证队列中2D + 临床模型与临床模型及多通道 + 临床模型存在未校正的显著差异，但经Bonferroni校正后均无统计学显著性。

校准与决策曲线分析： 内部验证队列中，多通道 + 临床模型（Brier评分0.129）、综合模型（0.133）和2D + 临床模型（0.138）的Brier评分最低，但校准斜率分别为2.023、2.693和2.284，提示预测概率离散度不足，整体校准曲线显示预测概率与观察结果间的一致性可变，不支持普遍的良好校准结论。决策曲线分析显示，三个融合模型在预设阈值概率范围0–1.0内较治疗全部或治疗无策略提供正向净获益，而单独模型仅在较窄范围内呈现正向净获益。

四、讨论与结论

研究发现多通道深度学习模型性能显著优于传统单期相方法，其优势可能源于单期相分析仅能捕捉特定时间点的静态强化特征，而多通道架构将强化过程视为连续动态实体，在初始卷积层实现多期相图像的同步处理，使模型能够自主提取期相间相关特征，直接学习跨期相强化模式，如HCC典型的"快进快出"和ICC常见的"进行性延迟强化"。多通道模型性能亦优于临床模型，提示从原始多期相图像提取的深度学习特征比人工解读的语义特征具有更强的表征能力，可捕捉人眼难以察觉的细微时空信息。整合多通道深度学习模型、2D模型与临床预测因子可进一步提升诊断性能，表明深度特征与临床指标携带不同且互补的诊断信息。

研究存在若干局限性：回顾性设计且样本量相对较小，模型泛化性需通过前瞻性多中心数据进一步验证；MF-ICC罕见亚型病例数量有限；肿瘤分割仍需人工完成，未来应探索整合自动分割与分类的端到端联合模型。

研究结论： 该研究初步证明了基于DCE-MRI的多通道深度学习模型在鉴别HCC与MF-ICC方面的优势，通过整合额外临床相关指标，最终综合模型取得了最佳诊断性能。该模型可能为术前决策提供无创且高效的辅助工具，帮助临床医师更准确地对患者进行分层，并可能指导个体化治疗方案的制定。