肝惡性腫瘤包括肝細胞癌(HCC),、肝內(nèi)膽管細胞癌(ICC)和轉(zhuǎn)移性肝癌等，是常見且預后極差的惡性腫瘤,。影像學診斷為治療決策和預后判斷提供了不可或缺的支持,，然而不同肝惡性腫瘤通過影像學診斷常有誤診。臨床上不同肝惡性腫瘤的治療策略差異巨大,，醫(yī)生在手術,、靶向、免疫等治療前對患者腫瘤類別的準確診斷至關重要,。近期,，附屬新華醫(yī)院顧勁揚教授團隊、上海交通大學生命科學技術學院俞章盛教授團隊,、杭州市第一人民醫(yī)院徐驍教授團隊,、附屬仁濟醫(yī)院劉穎斌教授團隊合作在Journal of Hematology & Oncology雜志發(fā)表的研究提出了一種運用深度學習基于患者術前多期造影增強CT和臨床數(shù)據(jù)對肝臟惡性腫瘤進行判別的智能診斷系統(tǒng)，達到與資深放射科醫(yī)生相當?shù)呐袆e水平,。更可喜的是,，在該系統(tǒng)輔助下，放射科醫(yī)生診斷準確率得以提升,，結(jié)果在多中心數(shù)據(jù)中得到驗證,。該系統(tǒng)可以作為輔助診斷工具，指導醫(yī)生鑒別肝惡性腫瘤，有望為醫(yī)療欠發(fā)達地區(qū)提供強有力的影像學診斷支持,，并提高三甲醫(yī)院放射科的診斷準確率,，為肝癌患者制定最佳治療方案，促進肝癌的精準治療,。
研究者提出的STIC模型以多期造影增強CT和臨床特征作為輸入,，最后輸出每類肝惡性腫瘤的分值，其框架包含四個不同的模塊,。SpatialExtractor模塊利用卷積神經(jīng)網(wǎng)絡(CNN)提取CT的空間特征,，TemporalEncoder模塊使用門控循環(huán)神經(jīng)網(wǎng)絡(RNN)挖掘不同期CT之間的變化模式，Integration模塊將提取到的影像特征與臨床特征融合,，Classifier模塊通過softmax激活函數(shù)實現(xiàn)分類任務,。
圖一 研究設計的流程圖
該智能診斷系統(tǒng)對于三類肝惡性腫瘤的判別在測試集上達到72.6%的準確率，與高年資放射科醫(yī)生的共識診斷水平(70.8%)相當,。在系統(tǒng)輔助下,，進一步研究發(fā)現(xiàn)三位高年資醫(yī)生的診斷水平均優(yōu)于醫(yī)生共識診斷，判別準確率平均提高8.3%,，對ICC診斷的敏感性平均提高26.9%,。在來自中心2的外部測試集中，智能診斷系統(tǒng)達到82.9%的準確率,，驗證了模型的泛化能力,。
圖二 肝惡性腫瘤智能診斷系統(tǒng)的結(jié)構示意圖
之前已有研究利用深度學習對肝腫瘤進行初步鑒別，但大多聚焦于良惡性分類,，對肝惡性腫瘤缺乏精準的細分,，尤其對ICC的診斷精度較低。本研究構建的智能系統(tǒng)運用深度CNN和門控RNN,，整合包含患者術前多期造影增強CT和臨床特征的多模態(tài)數(shù)據(jù),，實現(xiàn)了對HCC、ICC和轉(zhuǎn)移性肝癌的有效鑒別,，具有與經(jīng)驗豐富的醫(yī)生相當?shù)脑\斷水平,，并且在不同中心驗證中表現(xiàn)出良好的泛化能力。
此次發(fā)表論文的第一作者為上海交通大學生命科學技術學院“致遠榮譽計劃”博士研究生高瑞恬,，共同第一作者為附屬新華醫(yī)院趙帥博士,、克德爾亞·艾山江碩士研究生、蔡浩博士以及交大生命科學技術學院博士研究生魏婷,。附屬新華醫(yī)院顧勁揚教授,、交大生命科學技術學院俞章盛教授、杭州市第一人民醫(yī)院徐驍教授,、附屬仁濟醫(yī)院劉穎斌教授為共同通訊作者,。該研究受到國家自然科學基金重點項目,、面上項目、上海申康“三年行動計劃”重大臨床研究專項,、上海交通大學“醫(yī)工交叉研究基金”等項目資助,。
