基于MRI的深度学习模型用于预测肝内胆管癌中Ki-67表达水平

《Abdominal Radiology》：MRI-based deep learning model for prediction of Ki-67 expression level in intrahepatic cholangiocarcinoma

　　摘要背景Ki-67表达是肝内胆管癌（iCCA）中一个重要的预后指标。本研究旨在开发一种基于磁共振成像（MRI）和临床数据的无创深度学习（DL）模型，以在术前预测Ki-67表达。方法回顾性纳入2020年1月至2024年1月期间的iCCA患者。根据免疫组织化学结果，将患者分为高表达组（Ki-67 > 50%）和低表达组（Ki-67 ≤ 50%）。在图像采集、肿瘤分割和预处理后，采用3D-ResNet10网络提取MRI特征。使用前馈神经网络（FFN）提取临床特征。随后，将提取的图像特征和临床特征进行融合，并输入轻量级分类器进行Ki-67水平预测。通过五折交叉验证，使用准确率、精确率、灵敏度、特异度、F1分数和曲线下面积（AUC）评估DL模型的性能。结果最终共纳入117例患者（高表达组30例，低表达组87例）。仅基于临床变量的模型预测效能有限（平均AUC：53.18 ± 14.60%）。仅使用MRI特征的模型表现出较高的特异度（86.14 ± 10.25%），但灵敏度中等。相比之下，融合DL模型显著优于上述两个单一模型，其平均AUC达到84.24 ± 8.82%，准确率为87.17 ± 5.95%，特异度为93.07 ± 9.35%，灵敏度显著提升至70.00 ± 19.44%，并获得了稳健的F1分数（73.42 ± 12.28%）。结论我们开发并验证了一种结合对比增强MRI和临床参数的无创DL模型，该模型能够准确预测iCCA中的Ki-67表达，表现出优越的诊断性能。摘要背景Ki-67表达是肝内胆管癌（iCCA）中一个重要的预后指标。本研究旨在开发一种基于磁共振成像（MRI）和临床数据的无创深度学习（DL）模型，以在术前预测Ki-67表达。方法回顾性纳入2020年1月至2024年1月期间的iCCA患者。根据免疫组织化学结果，将患者分为高表达组（Ki-67 > 50%）和低表达组（Ki-67 ≤ 50%）。在图像采集、肿瘤分割和预处理后，采用3D-ResNet10网络提取MRI特征。使用前馈神经网络（FFN）提取临床特征。随后，将提取的图像特征和临床特征进行融合，并输入轻量级分类器进行Ki-67水平预测。通过五折交叉验证，使用准确率、精确率、灵敏度、特异度、F1分数和曲线下面积（AUC）评估DL模型的性能。结果最终共纳入117例患者（高表达组30例，低表达组87例）。仅基于临床变量的模型预测效能有限（平均AUC：53.18 ± 14.60%）。仅使用MRI特征的模型表现出较高的特异度（86.14 ± 10.25%），但灵敏度中等。相比之下，融合DL模型显著优于上述两个单一模型，其平均AUC达到84.24 ± 8.82%，准确率为87.17 ± 5.95%，特异度为93.07 ± 9.35%，灵敏度显著提升至70.00 ± 19.44%，并获得了稳健的F1分数（73.42 ± 12.28%）。结论我们开发并验证了一种结合对比增强MRI和临床参数的无创DL模型，该模型能够准确预测iCCA中的Ki-67表达，表现出优越的诊断性能。