关键词:
肝细胞癌
超声造影
人工智能
机器学习
深度学习
诊断
摘要:
背景和目的
直径≤30 mm的肝细胞癌(small hepatocellular carcinoma,s HCC)的精准诊断和及时治疗可以显著提高患者五年生存率,对于改善肝癌患者的生存质量有重要意义。超声造影(contrast-enhanced ultrasound,CEUS)可以实时、动态地显示肝脏占位性病变的血流动力学信息,能够帮助医生逐帧观察病变的血供灌注特点,对于s HCC的临床诊断至关重要,因此CEUS已经成为临床常用的影像学检查方式之一。
然而,肝脏占位病变类型多样,影像学中可能存在“同病异影”和“异病同影”的问题,降低了CEUS中s HCC的诊断性能;同时,s HCC直径较小,且受到慢性肝病背景和分化程度影响,部分病变的影像学表现不典型,导致临床中容易出现漏诊和误诊。目前,国内外发布了多项肝脏CEUS诊断标准以提高肝癌的临床诊断性能,其中美国放射学会(american college of radiology,ACR)发布的CEUS肝脏影像报告及数据系统(liver imaging reporting and data system,LI-RADS)在临床应用最为广泛,但该标准在s HCC中的诊断性能还缺乏充分验证;此外,影像学特征与临床信息的综合分析对s HCC的精确诊断具有重要意义,然而这种综合诊断思维对医生的专业知识和临床经验要求较高,特别是对于低年资医生而言具有较大的挑战。因此,寻找一种能够量化分析CEUS影像特征,并联合患者临床信息实现s HCC智能诊断的工具,对于提高s HCC的临床诊断性能、延长患者生命周期具有重要意义。
近年来,以传统机器学习(machine learning,ML)和深度学习(deep learning,DL)为代表的人工智能(artificial intelligence,AI)不断发展,已经在医学领域中广泛应用,并在肝脏CEUS的智能诊断中取得了与高年资超声医师一致的性能。特别是AI中的目标跟踪算法,可以直接处理视频数据,并且能充分利用上下文信息建模数据中的时序信息,从而达到目标状态估计和实时定位的效果,已被用于超声序列的智能分析中。然而,前期研究存在如下问题:(1)主要是将CEUS影像序列拆分为单张图像分析,遗漏了CEUS中最重要的血流动力学信息,降低了其诊断价值;(2)联合影像学与患者临床信息的研究较少,与临床综合诊断思维不符;(3)将目标跟踪技术应用到CEUS序列的分析中还较少;(4)缺少针对s HCC智能诊断的研究。因此,针对上述临床问题和研究现状,本研究分为四部分进行,每部分研究目的分别如下:
1.评估应用ACR CEUS LI-RADS在中国高危人群中诊断s HCC的性能,并探索提升诊断性能的策略,建立具有中国人群特色的诊断标准;
2.建立基于CEUS图像特征和患者临床信息的ML模型,并探索其在s HCC中的诊断性能及临床应用价值;
3.建立能够实现CEUS动脉相影像序列、门脉相和延迟相静态图像自动分析,并融合患者临床信息的DL模型,探索其在s HCC中的诊断性能和临床应用价值,进一步评估DL模型在所有肝癌中的诊断性能;
4.探讨目标跟踪技术在不少于45 s的CEUS动态影像序列中诊断s HCC的可行性和临床应用价值,并进一步评估将该技术应用到所有肝脏占位性病变中的可行性。
材料与方法
1.回顾性收集2015年6月至2020年6月在陆军军医大学第一附属医院超声科行CEUS检查首次发现肝脏占位性病变且直径≤30 mm的连续病例。邀请七位超声医师根据ACR CEUS LI-RADS分析病变的CEUS影像学特征,并将病变分为LR-1至LR-5以及LR-M类,意见不一致时协商达成统一。超声医师的诊断一致性使用组内相关性系数(intra-class correlation coefficient,ICC)评估,计算准确性、敏感性、特异性和阳性预测值来评估ACR CEUS LI-RADS的诊断性能。
2.筛选第一部分研究纳入病例中有CEUS检查前后一周内甲胎蛋白(alpha-fetoprotein,AFP)的患者,并将其按照4:1的比例随机划分为训练集和测试集。构建支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、邻近算法(k-nearest neighbor,KNN)和逻辑回归(logistic regeression,LR)等ML模型分析患者影像学特征和临床信息。计算准确性、特异性、敏感性、受试者曲线(receiver operating characteristic,ROC)、受试者曲线下面积(area under receiver operating characteristic cu