dLI-RADS：一种基于多期CT的可解释人工智能方法用于肝细胞癌诊断，尤其适用于小病灶

《Scientific Reports》：An interpretable deep learning method for early hepatocellular carcinoma diagnosis on multiphase CT

　　

摘要

肝细胞癌的早期诊断对于保留根治性治疗机会至关重要。肝脏影像报告和数据系统（LI-RADS）基于主要视觉影像特征，为多期计算机断层扫描的非侵入性诊断提供了标准化框架。然而，这些特征可能难以一致地评估，尤其是在小肝脏病灶中。我们开发了dLI-RADS，这是一种可解释的人工智能方法，旨在从手动分割的肝脏病灶的多期计算机断层扫描图像中估计肝细胞癌的概率，同时保持与LI-RADS相关影像概念的一致性。dLI-RADS将神经网络得出的预测结果与反映LI-RADS主要特征的手工定量影像测量相结合，并使用逻辑回归整合这些输入。在这项多中心回顾性研究中，纳入了有多期计算机断层扫描且至少有一个肝脏病灶的患者，排除了大于40毫米的病灶。组织学作为肝细胞癌的参考标准，对于非肝细胞癌病灶则使用复合参考标准。在内部评估集上，使用10,000次重复自助非劣效性检验比较dLI-RADS和LI-RADS的病灶水平准确率，边际为5%，显著性水平为5%。在外部测试集上，类似地比较了灵敏度。共分别纳入训练集、内部评估集和外部评估集143例（61岁±9，125名男性）、62例（61岁±10，49名男性）和133例（59岁±10，103名男性）患者，分别有196、84和171个病灶（平均直径分别为17.7、18.3和21.8毫米）。在内部评估集中，dLI-RADS在病灶水平准确率上不劣于LI-RADS，准确率为80%，而LI-RADS为74%（p=0.04）。在外部评估集上，dLI-RADS的灵敏度为93%，而LI-RADS为78%（非劣效性p<0.001）。在同一数据集上，dLI-RADS还达到了74%的特异性、86%的准确率和84%的AUC。由于非肝细胞癌病灶缺乏LI-RADS特征，因此只能直接比较dLI-RADS和LI-RADS的灵敏度。这些发现表明，dLI-RADS可能为多期计算机断层扫描上的肝细胞癌诊断提供可解释的决策支持，尤其适用于小肝脏病灶。