作者：周玉洁，刘强，山东省立医院
原发性肝细胞肝癌是肝脏最常见的原发性恶性肿瘤，且预后较差，是全球第三大与癌症相关的死亡原因。近年来，CT、MRI以及US技术的发展可以为基于肝硬化典型或晚期肝癌提供相对准确的诊断。但对于影像表现不典型、无肝硬化患者，以及诊断延误和现有治疗的疗效有限等原因，预后仍然很差，五年生存率仅为18%。
常见的DL模型包括卷积神经网络(CNN)、深度置信网络(DBN)和自编码器等。目前人工智能已经在肝癌诊疗、遗传学与基因学、生物医学等方面进行了研究。本文将从深度学习在肝癌诊断、疗效评估等的应用进行概述。
1.深度学习在肝癌诊断中的应用
肝癌常使用病理学、US、CT和MRI等技术进行诊断，近年来已有大量DL模型应用于肝癌的诊断与鉴别诊断的研究中，很多学者对不同模态的医疗图像进行了研究。Oestmann等在2021年采用多期相增强MRI数据，利用3DCNN建立模型来区分经病理证实的典型肝细胞癌(hepatocellular carcinoma，HCC)、非典型HCC与非HCC病变，准确率达87.3%，然而特异性相对较差。
Yasaka等将CT图像纳入分析，使用卷积神经网络(CNN)的深度学习算法对肝脏肿瘤进行分类鉴别，诊断的准确率中位数为0.84，用于区分A-B类和C-E类的AUC值为0.92，但模型对罕见肿块的诊断性能不佳。Schmauch等基于二维US图像建立了能检测分类肝脏占位性病变并区分良恶性的深度学习模型，模型的检测和分类的AUC值分别达到了0.935和0.916，由于训练集较小，对于肝癌等的分类效果欠佳。
此外，Cheng等选择病理图像进行研究，提出了一种基于深度学习的肝细胞结节性病变的人工智能模型(HnAIM)，模型分类准确率达93.5%，模型未将晚期HCC、胆管癌或间质肿瘤等纳入评估，后续研究有待完善。影像科医师的工作繁重，工作中难免产生疏漏，DL技术的发展将在一定程度上辅助影像科医师进行诊断、规范报告、提高效率，降低误诊率。
2.深度学习在肝癌发生风险预测的应用
HCC是肝脏最常见的恶性肿瘤，其中
3.深度学习在肝癌病灶图像分割中的应用
肝肿瘤分割会对肝脏治疗计划的制定和随访评估产生重大影响，鉴于肝脏和肝脏病变的放射学特征具有广泛的可变性，手动分割肝癌图像既困难又耗时。随着DL理论在肝脏肿瘤中的发展日益完善，显著提升了DL在肝脏和肿瘤分割的性能，在肝脏肿瘤手术规划导航中具有良好的应用前景。Seo等对传统U-Net架构存在的提取CT图像特征模糊、高分辨率边缘信息的特征提取不足等缺点进行完善，提出了修饰的U-Net(mU-Net)模型，该模型网络计算速度快，且具有多类分割的特点。
Wang等提出了一种新的DL模型框架，该框架利用EfficientNetB4等技术实现肝脏自动和准确的分割。在LiTS17和SLiver07数据集上进行验证，并将其与经典网络(如FCN等)进行了比较，最后定性和定量结果证明了该方法在肝脏分割中具有良好的适用性。
4.深度学习在肝癌预后评估的应用
微血管侵犯(MVI)是侵袭性肿瘤、肿瘤切除后复发和生存率低的指标，有助于确定肝切除或肝移植前的治疗策略。近年来有大量文献从不同影像方式上对行根治性肝切除的肝癌患者预后进行了研究。Li等使用深度卷积神经网络(DCNN)结合根治性肝切除术患者的术前对比剂增强计算机断层扫描(CECT)图像、临床及放射学因素建模来预测肝癌患者MVI，结果显示训练和验证队列中放射学组、DCNN组及基于临床信息、放射学和DCNN的组合模型组的AUC值分别为0.809、0.929、0.940和0.837、0.865、0.897。
Zhang等回顾性分析了237例术前行MRI增强扫描的肝癌患者图像，采用3DCNN开发了四个深度学习模型，通过分析T2WI序列及多期增强图像，发现3DCNN模型可有效地预测MVI，但其准确性依赖于样本的数量。另外，对于经放化疗治疗的HCC的预后评估，深度学习同样发挥着重要的作用。
Ibragimov等采用立体定向放射疗法(SBRT)的病例数据库建立毒性预测深度学习模型，来实现放射剂量对周围健康危险器官(OARs)的肝胆毒性预测，AUC值为0.79。对于行导管动脉化疗栓塞(TACE)患者术后评估亦有学者分别利用CEUS、MRI及CT图像建立不同的深度学习模型，这些模型都在一定程度上说明了DL技术能够来预测患者TACE治疗后反应，从而帮助临床医师筛选更能从介入手术中获益的患者。
5.深度学习在肝癌术后复发监测的应用
肝癌的形态学特征对患者预后有重大影响，基于此利用DL算法预测HCC复发/存活率也是非常有意义的。Saillard和Shi等均利用DL技术提取病理全视野数字切片(WSIs)特征信息，建立了卷积神经网络模型和可解释的、弱监督的DL框架，均实现了对HCC术后复发的良好监测，而后者在多尺度抽样、多组学分析等方面优于前者。近两年，也有学者对肝细胞癌切除术后和肝移植后肝细胞癌复发率问题进行如下研究。
2022年，Shi等对725例行肝细胞癌切除术后的患者数据集，进行研究分析，比较了三种预测HCC切除术后5年复发模型(深度学习深度神经网络(DNN)模型、递归神经网络(RNN)模型和Cox比例风险(CPH回归模型)并分析HCC切除术后复发的潜在预测因素。得出了DNN模型的所有性能指标均显著高于RNN模型和常规CPH模型，阐明了深度学习模型在预测HCC切除术后复发和识别复发预测因素方面的潜在用途。
Liu等利用1118例HCC患者组织病理切片信息，构建了Mobile-NetV2_HCC_class复发预测模型，在LT和TCGA数据集上进行验证，结果表明模型对HCC切除术后和HCC肝移植术后肿瘤复发具有很好的预测性，但该研究纳入的组织病理信息有限，后续研究有待完善。
6.小结与展望
近年来，深度学习已经在肝癌的病灶检出、风险预测、疗效评估等方面显示出了比较理想的结果，但将其合理、有效地应用于临床，仍存在诸多问题，包括以下三个方面：1)缺乏与深度学习算法相匹配的完善的肝癌结构化数据集、以及对模型的鲁棒性和可靠性进行验证；2)国内外学者们的研究大多存在数据基数小、数据分布不平衡、图像多样性少等弊端。DL方法的局限性如数据过拟合、数据可解释性有限以及泛化性差；3)目前的深度学习模型大多数是回顾性研究，缺乏多中心临床试验验证，同时还需要将模型性能与传统研究模式性能进行比较，并通过大量前瞻性试验进行验证。
综上所述，深度学习方法在原发性肝癌的研究已取得欣喜的成果，其应用前景广阔并充满挑战，未来定能推动肝癌精细化、个体化、精准化医疗。
来源：周玉洁,刘强.深度学习在原发性肝癌诊断中研究现状及进展[J].医学影像学杂志,2023,33(04):661-664.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
