《European Radiology Experimental》：AI-driven ablative margin assessment after HCC radiofrequency ablation: a case-control feasibility study
编辑推荐：
摘要
目的
肝细胞癌（HCC）的热消融治疗需要在肿瘤周围留有足够的安全边缘以确保治疗成功。在这项回顾性研究中，研究人员评估了一种人工智能（AI）驱动的自动化安全边缘评估流程，该流程基于计算机断层扫描（CT）影像，旨在支持放射科医生即时采取临床行动。
摘要
目的
肝细胞癌（HCC）的热消融治疗需要在肿瘤周围留有足够的安全边缘以确保治疗成功。在这项回顾性研究中，研究人员评估了一种人工智能（AI）驱动的自动化安全边缘评估流程，该流程基于计算机断层扫描（CT）影像，旨在支持放射科医生即时采取临床行动。
材料与方法
研究人员纳入了2010年至2022年间在当地大学医院接受射频消融（RFA）治疗的原发性肝癌患者的CT扫描影像。研究组由43个随机选取的出现局部肿瘤进展的病灶组成，平均直径为35 mm [24–45]（中位数[四分位距]）。作为对照，研究人员通过倾向性评分匹配随机选取了96个未出现局部肿瘤进展的病灶（直径28 mm [17–37]）。为计算最小消融边缘（MAM），研究人员将术中患者扫描影像与近期提出的一种基于AI的图像配准模型进行共同配准。
结果
共评估了139例HCC病例，平均随访时间为25个月 [8–42]（中位数，四分位距）。计算所得的MAM被发现是局部肿瘤进展的显著预测因子（比值比0.42，95%置信区间0.35–0.50，p = 0.001）。按MAM分组的病灶之间，局部肿瘤保护率存在显著差异（p < 0.001）。
结论
研究人员提出的AI驱动流程能够快速、可靠地评估HCC射频消融相对于消融边缘的疗效。
相关性声明
本研究采用一种结合基于AI的分割与AI驱动的图像配准的新方法，实现了消融边缘的自动量化。通过快速提供稳健的边缘量化结果，该流程可帮助临床医生在术中评估消融边缘。
关键要点
一款AI驱动的工具可以快速自动地测量肝癌消融后的治疗边缘。
使用该流程计算出的安全边缘不足与局部肿瘤复发风险升高相关。
MAM达到2.50 mm即可将局部肿瘤进展风险降低至10%以下。
图形摘要
**基于AI的HCC射频消融边缘评估：研究解读**
**研究背景与目的**
肝细胞癌（hepatocellular carcinoma，HCC）是全球重大健康挑战，位列常见癌症第六位，癌症相关死亡原因第四位。2020年新发病例近百万，欧洲和北美发病率持续上升，与脂肪肝、丙型肝炎等代谢危险因素增加相关。对于早期或小病灶（≤3 cm）患者，经皮热消融已成为有效的治愈性治疗选择。多中心随机对照试验证据表明，与手术切除相比，热消融在HCC患者中并发症更少、住院时间更短。热消融治疗成功依赖于肿瘤完全坏死并留有足够安全边缘。最小消融边缘（minimum ablative margin，MAM），定义为肿瘤边界与消融区之间最短三维（3D）距离，已被确认为HCC射频消融（radiofrequency ablation，RFA）后局部肿瘤进展（local tumor progression，LTP）的独立预测因子。术中精确评估MAM对确保疗效和指导即时临床决策至关重要，这需要快速准确的3D患者扫描影像配准，然而该过程耗时且难以自动化。现有基于有限元模型的方法可实现继发性肝脏恶性肿瘤的消融边缘量化，但其临床应用受限于数分钟的计算耗时以及对患者特定组织参数的需求。近年来人工智能（artificial intelligence，AI）的进展表明图像配准可比传统技术快数个数量级，如VoxelMorph方法训练卷积神经网络预测变形场，推理时间从分钟缩短至毫秒级。已有研究将基于AI的配准应用于HCC消融边缘分析，但计算时间仍超过3分钟。将AI方法转化至真实世界配准任务还面临泛化性和合理性的挑战。因此，本研究旨在评估一种基于AI的变形图像配准方法，用于接受CT引导RFA的HCC患者的定量边缘评估。该研究论文发表于《European Radiology Experimental》。
**研究方法概述**
本研究为回顾性、单中心病例对照研究，经机构审查委员会批准。研究人员纳入了2010至2022年间139例HCC病灶（43例伴LTP，96例不伴LTP），采用倾向性评分匹配进行对照选择。主要技术方法包括：①采用集成策略（TotalSegmentator CT模型、MONAI框架Auto3DSeg及肝脏定向AI分割模型）进行肝脏、血管、肿瘤和消融区分割，其中肿瘤和消融区采用基于主动学习的4折3D nnUNet模型（在96例RFA手术的术中CT扫描上训练）；②训练一种新型混合医学图像配准方法实现术中扫描影像的变形配准，并针对每个病灶进行实例优化的微调步骤；③将肿瘤和消融区掩膜转换为三角网格表示，计算肿瘤边界到消融区边缘的有符号欧氏距离，依此得出MAM；④开发了集成于3D Slicer平台的图形化扩展界面，实现完整流程的交互式操作。
**研究结果**
**患者特征与消融结果**
研究共纳入139个病灶，其中43个出现LTP，96个未出现，涵盖100次介入操作和96例患者（14名女性、82名男性），手术时中位年龄67 [四分位距58–74]岁。中位随访时间25 [8–42]个月，43/139个消融病灶观察到LTP。
**肝脏、血管、肿瘤及消融区分割**
集成肝脏分割流程在检查的CT影像上产生高保真预测结果，与专家手动轮廓一致，无需进一步修正。VSNet队列（n=303）上的血管分割平均Dice系数为0.77±0.06，平均对称表面距离（ASSD）为1.94±0.94，Hausdorff距离第95百分位数（HD95）为13.87±8.25，证明在不同层厚下均具有稳健的分割能力。采用主动学习训练的4折3D nnUNet在96例扫描验证集上，病灶和消融区的平均Dice分数分别为0.61±0.36和0.82±0.21。各体积平均推断时间分别为肝脏28.46±7.15秒、血管8.66±4.82秒、肿瘤7.28±3.78秒、消融区9.82±5.01秒。
**变形图像配准**
肝脏表面配准精度的平均ASSD为0.87±0.34 mm，HD95为3.55±3.13 mm。全局配准方法平均耗时1.63±0.27秒/CT体积，病灶特异性微调步骤耗时7.62±4.54秒/病灶。端到端配准流程总计12.22±6.58秒/次操作。整个配准流程完全自动化，无需操作者干预，所有病例均成功处理，无因配准质量不佳而排除。
**MAM量化**
139个消融病灶中，50个（36%）MAM=0 mm，44个（32%）MAM>0且<2 mm，45个（32%）MAM≥2 mm。MAM=0 mm的病灶中有27个（54%）观察到LTP，MAM>0且<2 mm的病灶中有12个（27%）出现LTP，MAM>2 mm的病灶中仅4个（9%）出现LTP。MAM>4 mm的病灶未检测到LTP。Kaplan-Meier曲线分析显示各组间差异显著（χ2=19.5，p<0.001）。
**LTP的风险因素分析**
为减轻同一介入操作中病灶的聚类效应，研究人员分别以患者和操作为分组变量拟合了两个广义线性混合效应模型。MAM是唯一与局部复发显著相关的因素：按患者分组时比值比为0.43（95%置信区间0.35–0.51，p<0.001），按操作分组时比值比为0.42（95%置信区间0.35–0.50，p=0.001）。患者性别、年龄、病灶大小、肝脏ASSD和肝脏HD95的p值均不显著。MAM为2.50 mm可将2年LTP风险降低至10%以下；A0边缘（2年LTP风险低于5%的最小边缘）计算为3.50 mm；边际收益递减点（每增加1 mm MAM仅带来<1%的LTP风险绝对降低）为4.70 mm。
**讨论与结论**
既往边缘评估方法依赖手动或半自动技术，放射科医生通常通过目视检查配对CT扫描或使用刚性图像融合软件进行评价。然而，纯视觉评估因观察者间差异而精确度不佳，约三分之一的临床研究中目视估计的边缘高估了真实（定量测量的）边缘。本研究提出的流程弥合了速度与准确性之间的差距：AI分割与AI驱动的多步骤图像配准相结合，可在约1分钟（图像分割54.22±10.67秒，图像配准12.22±6.58秒/次操作）内获得可靠结果，较传统方法显著提速。本研究的局限性包括：单中心回顾性病例对照设计导致LTP比例高于常规实践；回顾性设计存在选择偏倚；未与其他商用变形配准工具进行基准比较。研究结论为：使用该流程计算的MAM与RFA后的LTP之间存在显著相关性。MAM已通过结合AI分割与AI驱动配准模型的快速可靠方法实现量化。该流程在一分钟内提供准确、自动且解剖学一致的边缘量化结果，有望支持消融治疗评估，并帮助放射科医生在临床实践中验证肿瘤完全覆盖。
