首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > MRI论文 > 深度算法的肝外胆管癌术前MRI动态增强扫描自动分期系统构建及验证

深度算法的肝外胆管癌术前MRI动态增强扫描自动分期系统构建及验证

2025-01-24 115 上传者：管理员

摘要：目的基于深度学习算法构建肝外胆管癌(ECC)术前磁共振成像(MRI)动态增强扫描自动分期系统，并验证其效能。方法回顾性分析2020年1月—2022年12月本院收治的270例ECC患者的临床资料，作为训练集，收集其经MRI动态增强扫描获得的肿瘤位置、侵犯范围、淋巴结转移等特征，基于深度学习算法对不同临床分期的ECC进行分类建模，构建ECC术前MRI动态增强扫描自动分期系统。另回顾性分析2023年1—12月本院收治的94例ECC患者临床资料作为验证集，以病理学诊断的临床分期结果作为金标准，分析基于深度算法的ECC术前MRI动态增强扫描自动分期系统对患者临床分期的诊断效能。结果基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统对临床分期Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期的诊断灵敏度(100.00%、93.33%、97.78%、100.00%)、特异度(100.00%、98.44%、95.92%、100.00%)和准确度(100%、96.81%、96.81%、100.00%)高于MRI动态增强扫描检查方式(灵敏度：91.67%、86.67%、88.89%、85.71%,特异度：97.56%、90.63%、93.88%、100.00%,准确度：96.81%、89.36%、91.49%、98.94%),且与病理学结果的一致性高(Kappa=0.885,P<0.001),MRI动态增强扫描检查方式与病理学结果也存在一致性(Kappa=0.691,P<0.001)。结论基于深度学习算法构建的ECC术前MRI动态增强扫描自动分期系统可提高对ECC术前分期的诊断敏感度、特异度和准确度。

关键词：
动态增强扫描
深度学习算法
磁共振成像
肝外胆管癌
肝细胞癌
加入收藏

胆管癌(Cholangiocarcinoma, CC)是仅次于肝细胞癌的第2大常见原发性肝脏恶性肿瘤，占所有肿瘤的1%[1]。CC作为一种源于胆管上皮细胞的致命性恶性肿瘤，根据其解剖位置不同可分为肝内胆管癌与肝外胆管癌(Extrahepatic cholangiocarcinoma, ECC),其中ECC占CC的80%～90%[2]。ECC好发于肝管和壶腹部之间的胆道系统，因早期发病隐匿、恶性程度高，患者预后差，其术后中位生存时间仅有40个月，术后5年生存率不足40%[3-4]。ECC主要表现为巩膜黄染、上腹部疼痛、梗阻性黄疸等，一旦确诊需立即治疗，以手术切除为主要治疗手段，但具体治疗方案取决于患者临床分期。目前ECC临床分期常用美国癌症联合委员会(American Joint Committee on Cancer, AJCC)第八版的肿瘤淋巴结转移(Tumor Node Metastasis, TNM)分期系统，主要通过术后病理学检查获得，有一定滞后性，而缺乏准确的术前分期诊断容易造成手术前后治疗计划不一致，过度分期或分期不足对术后患者带来的创伤是不可逆的。磁共振成像(Magnetic resonance imaging, MRI)可清晰显示各种胆道疾病，对ECC术前分期、可切除性评估以及手术方式选择等均有极高价值[5]。随着影像学技术进步与普及，放射科医师通过分析影像学图像信息实现了术前分期，但不可避免地存在耗时、费力和主观性缺陷，影响术前分期报告的准确性。人工智能(Artificial intelligence, AI)作为一种计算机技术，在数据处理中有快速、稳定等特点，通过深度学习算法获得影像图像中的特征数据，可使AI短时间完成大量阅片诊断工作，其准确性已经在乳腺癌[6]、消化道癌[7]中得到验证，但能否用于构建ECC术前MRI自动分期系统及其效能有待验证。因此，本研究拟基于深度学习算法构建ECC术前MRI动态增强扫描自动分期系统，为ECC术前分期提供新的方法。

一、资料与方法

1.一般资料：

回顾性分析2020年1月—2022年12月本院收治的270例ECC患者临床资料，作为训练集：其中男158例，女112例；年龄28～79岁，平均(58.42±8.54)岁；TNM分期：Ⅰ期30例、Ⅱ期85例、Ⅲ期130例、Ⅳ期25例；分化程度：未分化5例，低分化150例，中分化67例，高分化48例；肿瘤位置：肝门胆管癌190例，胆总管下端癌80例；形态类型：管壁浸润型240例，结节型21例，腔内乳头状型9例。另回顾性分析2023年1—12月本院收治的94例ECC患者临床资料作为验证集，其中男55例，女39例；年龄29～79岁，平均(58.83±8.25)岁；分化程度：未分化1例，低分化49例，中分化25例，高分化19例；有淋巴结转移50例；肿瘤位置：肝门胆管癌68例，胆总管下端癌26例；形态类型：管壁浸润型81例，结节型10例，腔内乳头状型3例。纳入标准：(1)原发初治ECC,病理学检查确诊ECC;(2)术前经MRI增强扫描检查；(3)TNM分期结果完整。排除标准：(1)复发性ECC,或为胰腺癌、肝癌等的转移癌；(2)对MRI造影剂过敏、体内有金属异物无法去除等MRI动态增强扫描禁忌症者；(3)MRI序列不全或图像质量差；(4)病理学检查前接受过介入、放射和化学药物治疗等肿瘤治疗操作；(5)合并精神障碍。

2.方法：

(1)MRI动态增强扫描检查：应用西门子3.0 T磁共振扫描仪(美国西门子公司)检查，患者取仰卧位，平扫：轴位双回波T1加权成像扫描参数：重复时间为3.4 ms,回波时间为1.0 ms,层厚为2 mm,间距为2 mm;脂肪抑制T2加权成像扫描参数：重复时间为3.1 ms,回波时间为1.4 ms,层厚为3 mm,间距为2 mm。平扫完成后进行动态增强扫描：应用高压注射器取钆特酸葡胺造影剂0.1 mmol/kg注射，速率为2 ml/s,注射15～20 s、55～62 s、150 s后进行动脉期、门静脉期和延迟期扫描。扫描结束后检查图像，保证图像清晰。图像后处理：获得扫描数据后，将图像上传到工作站，经多平面重组、表面成像显示、容积显示等方法获得最佳图像效果。(2)基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统的构建：获得训练集ECC患者MRI动态增强扫描图像和数据后，由临床经验在10年以上的放射科医师手动勾画图像中的病灶区域并标注，包括肿瘤位置、浸润深度、侵袭部位以及淋巴结转移等情况；利用Python3.6编程从MRI图像中提取特征，如肿瘤大小、动脉期强化模式、动脉期瘤周高灌注、瘤周高信号环、瘤内坏死和弥散加权成像高信号等，筛选与TNM不同分期相关的影像组学特征；确定其他部位如肝门、肝动脉、门静脉、十二指肠后方分布的淋巴结处有无ECC病灶，选取病灶截面。为避免数据不足影响该系统的诊断准确性，采取平移、去除噪声、几何变换等技术对MRI进行数据增强处理，并增加数据量。将上述数据输入该系统，利用卷积神经网络进行反复训练，自动学习TNM分期相关特征。构建的模型获得肿瘤位置与浸润、肿瘤侵犯部位和区域淋巴结转移等特征后，提取并与TNM标准比对，自动输出术前TNM分期诊断结果。该系统操作流程如图1。(3)临床分期诊断标准：参考AJCC第八版TNM分期系统[8]:Ⅰ期：肿瘤局限于胆管壁，浸润至肌层和纤维层组织；Ⅱ期：肿瘤超出胆管壁，侵犯邻近肝组织，Ⅲ期：肿瘤侵犯单侧门静脉或肝动脉分支，存在区域淋巴结转移；Ⅳ期：肿瘤侵犯门静脉主干，存在区域淋巴结转移，或转移至腹主动脉周围。

图1基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统操作流程

3.观察指标：

(1)记录验证集的临床分期病理学诊断结果；(2)以病理学诊断结果为金标准，采取诊断检验四格表法统计MRI动态增强扫描检查方式、ECC术前MRI动态增强扫描自动分期系统对临床分期的诊断灵敏度、特异度和准确度。

4.统计学处理：

应用SPSS 22.0统计软件处理本次试验数据，计数资料以[n(%)]表示，基于深度算法的ECC术前MRI动态增强扫描自动分期系统对验证集临床分期的诊断结果与病理学结果的一致性采取Kappa检验，Kappa>0.8认为一致性高。P<0.05为差异有统计学意义。

二、结果

1.病理学诊断验证集的临床分期：验证集94例ECC患者经病理学检查其临床分期为：Ⅰ期12例、Ⅱ期30例、Ⅲ期45例、Ⅳ期7例。

2.MRI动态增强扫描检查方式、基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统对临床分期的诊断结果：基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统诊断验证集ECC患者的临床分期为：Ⅰ期12例、Ⅱ期29例、Ⅲ期46例、Ⅳ期7例；MRI动态增强扫描诊断验证集ECC患者的临床分期为：Ⅰ期13例、Ⅱ期32例、Ⅲ期43例、Ⅳ期6例；两种方法诊断ECC术前分期的四格表结果见表1。

3.MRI动态增强扫描检查方式、基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统对临床分期的诊断灵敏度、特异度和准确度：基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统对临床分期的诊断灵敏度、特异度和准确度高于MRI动态增强扫描检查方式，且与病理学结果的一致性高(Kappa=0.885,P<0.001),MRI动态增强扫描检查方式与病理学结果也存在一致性(Kappa=0.691,P<0.001)。见表2。

4.典型病例图片和基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统输出结果比较：ECC患者Ⅰ期MRI扫描显示动脉期明显强化，门静脉期强化减低，延迟期强化减低；Ⅱ期MRI扫描显示动脉期轻度强化，门静脉期轻度强化，延迟期中度强化；Ⅲ期MRI扫描显示动脉期轻度强化，门静脉期轻度强化，延迟期轻度强化；Ⅳ期MRI扫描显示动脉期轻度强化，门静脉期轻度强化，延迟期轻度强化，较动脉期门静脉期强化增加，如图1～图4。

ECCⅠ期患者，男，52岁，MRI动态增强扫描如图1。ECCⅡ期患者，女，77岁，MRI动态增强扫描如图2。ECCⅢ期患者，女，78岁，MRI动态增强扫描如图3。ECCⅣ期患者，男，49岁，MRI动态增强扫描如图4。

表1MRI动态增强扫描检查方式、基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统对临床分期的诊断结果(n)

表2MRI动态增强扫描检查方式、基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统对临床分期的诊断灵敏度、特异度和准确度[n(%)]

图1ECC患者Ⅰ期MRI动态增强扫描检查图

图2ECC患者Ⅱ期MRI动态增强扫描检查图

图3ECC患者Ⅲ期MRI动态增强扫描检查图

图4ECC患者Ⅳ期MRI动态增强扫描检查图

三、讨论

ECC作为最具侵袭性的恶性肿瘤之一，患者预后差，早期开展手术治疗是改善预后的关键[9]。术前肿瘤分期对手术治疗和局部放疗均有重要的指导意义，但临床常用的病理组织活检具有创伤性，不易被患者接受，MRI作为一种无创、经济且可重复的医学影像学技术，其具有出色的软组织对比度，可获得反映功能性组织信息的图像，如扩散加权成像，对ECC术前分期的诊断准确性高[10-11]。然而，因ECC体积小、结构复杂，经验不足的放射科医师很难从图像中准确识别和判断ECC肿瘤分期[12],因而有必要探索一种自动化、快速的ECC术前自动分期系统，以辅助ECC手术规划和智能医疗。

本研究中基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统对临床分期的诊断灵敏度、特异度和准确度均高于MRI动态增强扫描方式，且除了对Ⅱ期的诊断灵敏度为93.33%外，对其他各临床分期的诊断灵敏度、特异度和准确度均在95%以上，可见其对ECC术前分期的诊断效能高；在一致性分析结果中亦表现出与病理学结果的高度一致性，证明该系统适用于ECC术前TNM分期诊断。深度学习算法凭借其强大的自动分割性能在医学成像领域上取得成功，尤其是卷积神经网络，在目标检测、图像分类等多种视觉识别任务中表现出了与传统方法更优越的性能，其特征提取功能克服了传统方法的弊端，可从输入图像中捕获语义特征，用于肿瘤分期中，因而可降低人工成本[13-14]。众所周知，肿瘤自动描绘是基于成像的肿瘤分析的初步步骤，而本研究构建的自动化诊断系统可以客观地评估手动测量的主观性、观察者内部与观察者之间的可变性，从而提高诊断准确性。ECC患者采取MRI动态增强扫描检查，多数ECC组织在弥散加权成像上显示高信号，这表示ECC组织与周围组织明显不同，而ECC病灶在弥散加权成像上的突出便于神经卷积网络分析不同分期ECC病灶在MRI信号上的差异和病灶内纹理的异质性，从而提高对肿瘤自动识别、描绘和特征提取的性能[15],这也是基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统对ECC分期诊断敏感度、特异度和准确度较MRI动态增强扫描检查方法更高的原因。研究表明基于深度学习算法建立影像学诊断系统，在腹膜转移[16]、喉癌[17]术前分期中取得了一定成果，本研究与上述文献报道原理相同，结果相似，且本研究开发的基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统所用神经卷积网络为3D网络，更容易训练，可提高对不同分期ECC的分类精确度，减少过度拟合，提高准确度，具有一定新颖度。

此外，本研究中1例Ⅱ期ECC经基于深度学习算法的ECC术前MRI动态增强扫描自动分期系统诊断为Ⅲ期，2例Ⅲ期被诊断为Ⅱ期，可能是因MRI的轴位双回波T1加权成像、脂肪抑制T2加权成像对ECC组织相邻结构质地、强度的识别性能较弥散加权成像差，无法准确判断ECC肿瘤侵袭范围大小，从而影响诊断灵敏度。后续将探讨如何提高该系统诊断ECC术前分期准确度。

综上所述，基于深度学习算法构建的ECC术前MRI动态增强扫描自动分期系统可通过从ECC组织MRI图像和数据库中提取TNM分期相关特征，实现术前分期自动化分析，并在MRI动态增强扫描方法基础上进一步提高诊断敏感度、特异度和准确度。但该系统对ECC分期诊断仍有失误，如何解决这一点将成为下一步研究重点。

参考文献:

[4]陈美成,周小琦,马瑞霞,等.MRI动脉期强化模式预测肝内胆管细胞癌患者的预后[J].中山大学学报,2023,44(4):668-676.

文章来源:时金凤,王志芳.基于深度算法的肝外胆管癌术前MRI动态增强扫描自动分期系统的构建及验证[J].齐齐哈尔医学院学报,2025,46(02):141-146.