基于多期增强CT和有监督对比学习的胆管癌与良性肝胆疾病鉴别诊断自动系统

《BMC Medical Imaging》：Multiphase CT-based differentiation of cholangiocarcinoma using supervised contrastive learning

　　

摘要

背景

胆管癌（CCA）是一种预后较差的胆道恶性肿瘤，其在计算机断层扫描（CT）上的影像表现常与良性肝胆疾病重叠，使鉴别诊断在临床上颇具挑战性，尤其是对于肝门部病变。既往基于CT的胆管癌深度学习研究大多依赖单期相图像和专家定义的二维感兴趣区域，这限制了对三维胆道解剖结构的捕捉，并制约了实际应用。本研究旨在开发并评估一个基于多期增强CT、采用有监督对比学习的全自动系统，用于鉴别胆管癌与良性肝胆疾病。

方法

应用自动肝脏和胆囊分割提取覆盖肝内和肝外胆管的三维肝胆体素块。将同一患者的动脉期与延迟期体素块作为正样本对用于有监督对比预训练，随后在门脉期体素块上进行分类器微调。采用分层五折交叉验证对该系统在427例患者中（129例胆管癌、179例良性胆囊疾病[BGD]、119例良性胆管疾病[BBD]）进行回顾性评估。诊断性能通过灵敏度、特异度、平衡准确率（bAcc）和ROC曲线下面积（AUC）进行评估，结果在五个交叉验证折中汇总。

结果

该模型在鉴别胆管癌与良性胆囊疾病方面达到平衡准确率82.43%（AUC 89.79%），在鉴别与良性胆管疾病方面达到平衡准确率69.90%（AUC 78.26%）。在两项任务中，所提出的模型的汇总AUC均显著高于所有单期相模型（所有Holm校正后\(p < 0.05\)），并且在五次重复交叉验证中始终超过多期相早期融合基线，尽管该差异在主分析中未达到统计学显著性。Grad-CAM可视化将预测相关特征定位于胆管周围及肝内实质区域，支持了模型预测的解剖合理性。

结论

基于自动三维体素块提取的期相感知对比学习增强了基于CT的胆管癌与良性肝胆疾病的鉴别能力。该方法可作为互补性决策支持工具，改善诊断一致性，尤其对于肝门部胆管癌等疑难病例，并具有整合入临床工作流的潜力。