钆塞酸二钠增强MRI深度学习术前预测肝细胞癌血管包绕肿瘤细胞巢的价值王锦晶 诗涔 范艳芬 吴茜 张涛 张继云 顾文豪 王希明 胡春洪 郁义星
中华放射学杂志2025年 59卷 06期
DOI: 10.3760/cma.j.cn112149-20240624-00350
目的
探讨钆塞酸二钠(Gd-EOB-DTPA)增强MRI深度学习模型术前预测肝细胞癌(HCC)血管包绕肿瘤细胞巢(VETC)的价值。
方法
本研究为病例-对照研究,回顾性收集2016年6月至2023年3月在接受Gd-EOB-DTPA增强MRI检查并经手术病理证实为HCC的420例患者资料,来自苏州大学附属第一医院的305例患者为训练集,来自南通大学附属南通第三医院的115例患者为外部验证集。根据术后病理将患者分为VETC阳性组和VETC阴性组,训练集中VETC阳性组161例、阴性组144例,外部验证集中VETC阳性组55例、阴性组60例。使用ITK-SNAP软件手动勾画动脉期、门静脉期和肝胆期的肿瘤感兴趣区体积,利用预训练的Vgg19、Densenet121和Vision Transformer(ViT)模型进行迁移学习,并分别提取每张图像的深度学习特征。利用FAE软件对特征数据进行处理,并采用logistic回归构建动脉期、门静脉期、肝胆期和三期联合深度学习模型共12种,筛选出最优深度学习模型。对临床特征进行单因素和多因素分析并筛选出独立的预测指标构建临床模型。联合临床独立预测指标及最优深度学习特征构建临床-深度学习模型。使用受试者操作特征曲线对模型预测VETC阳性HCC的效能进行评价。绘制校准曲线和决策曲线评估模型的预测准确性和临床实用性。
结果
在外部验证集,Vgg19模型在动脉期、门静脉期、肝胆期及三期联合的曲线下面积(AUC)为0.799、0.756、0.789、0.821,均高于Densenet121的AUC(0.544、0.581、0.544、0.583)和ViT的AUC(0.740、0.752、0.785、0.767)。其中三期联合Vgg19模型预测效能最优,AUC为0.821(95%CI 0.746~0.897)。多因素logistic回归显示甲胎蛋白(OR=1.826,95%CI 1.069~3.120,P=0.028)和肿瘤长径(OR=1.329,95%CI 1.206~1.466,P<0.001)是VETC阳性HCC的独立预测因子。基于这2个临床指标构建的临床模型和临床-深度学习模型的AUC分别为0.789(95%CI 0.703~0.859)和0.825(95%CI 0.749~0.900)。校准曲线提示三期联合Vgg19模型预测概率与实际预测概率之间具有较高的准确性,外部验证集的决策曲线提示,对比临床模型,三期联合Vgg19模型和临床-深度学习模型预测VETC具有更好的净获益。
结论
基于Gd-EOB-DTPA增强MRI的深度学习模型可用于术前预测HCC的VETC模式,其中三期联合Vgg19模型和临床-深度学习模型具有较高的预测价值。
钆塞酸二钠增强MRI联合T1 mapping术前预测CK19及GPC3阳性双表型肝细胞癌的价值任宗乔 杨蕊梦 赵越 张婉丽 常恩慧 龙益 江新青
中华放射学杂志2025年 59卷 06期
DOI: 10.3760/cma.j.cn112149-20240813-00487
目的
探讨钆塞酸二钠增强MRI联合T1 mapping术前预测细胞角蛋白19(CK19)及磷脂酰肌醇蛋白聚糖3(GPC3)阳性双表型肝细胞癌(DPHCC)的价值。
方法
本研究为病例-对照研究,回顾性收集2020年12月至2022年7月湛江中心人民医院(训练集,n=85)及2023年4月至2024年4月华南理工大学附属第二医院(测试集,n=35)经病理证实为HCC的患者资料。根据术后病理CK19及GPC3免疫组化染色结果,将患者分为CK19及GPC3阳性DPHCC组(训练集19例,测试集11例)和非DPHCC组(训练集66例,测试集24例)。所有患者术前均行钆塞酸二钠增强MRI及T1 mapping扫描。收集患者临床资料,评估MRI图像获得定性特征,并测量定量特征,包括信号强度、T1值、表观扩散系数(ADC)值,计算肿瘤/肝脏ADC比值(rADC)、肿瘤/肝脏增强信号强度比和T1弛豫时间减低率(ΔT1%)。采用独立样本t检验、Mann-Whitney U检验或χ2检验比较DPHCC组及非DPHCC组间临床及影像定性、定量特征间的差异。通过多因素二元logistic回归分析确定CK19及GPC3阳性DPHCC的独立预测因素并构建联合模型。采用受试者操作特征曲线下面积(AUC)评价模型的预测效能,并使用DeLong检验比较模型间性能的差异。
结果
非DPHCC组及DPHCC组间甲胎蛋白(AFP)、总胆红素、直接胆红素、扩散加权成像(DWI)靶征、rADC、肝胆期T1值(T1HBP)、ΔT1%差异有统计学意义(P<0.05)。多因素logistic回归分析结果显示AFP>20 ng/ml(OR=5.835,95%CI 1.019~33.397,P=0.048)、DWI靶征(OR=13.408,95%CI 2.216~81.131,P=0.005)、ΔT1%≤31%(OR=14.429,95%CI 2.166~96.125,P=0.006)是CK19及GPC3阳性DPHCC的独立预测因素。上述3个独立预测因素及联合模型预测DPHCC的AUC在训练集中分别为0.641(95%CI 0.530~0.742)、0.679(95%CI 0.569~0.777)、0.740(95%CI 0.634~0.829)、0.886(95%CI 0.799~0.945),在测试集中分别为0.568(95%CI 0.390~0.734)、0.669(95%CI 0.490~0.818)、0.689(95%CI 0.511~0.843)、0.824(95%CI 0.658~0.931)。DeLong检验结果显示,在训练集中,联合模型的诊断效能优于上述3个单一特征(Z=3.68、P<0.001,Z=3.15、P=0.002,Z=3.15、P=0.002);在测试集中,联合模型的诊断效能优于AFP>20 ng/ml和ΔT1%≤31%(Z=2.15、P=0.032,Z=2.12、P=0.034),与DWI靶征差异无统计学意义(Z=1.77,P=0.076)。
结论
基于临床资料、钆塞酸二钠增强MRI联合T1 mapping构建的联合模型可以有效预测CK19及GPC3阳性DPHCC。
钆塞酸二钠增强MRI术前预测肝细胞癌瘤内三级淋巴结构的研究陈林 李依蔓 成杰 陈凤喜 蔡萍 陈伟 李青锐 张华蓉 李晓明
中华放射学杂志2025年 59卷 06期
DOI: 10.3760/cma.j.cn112149-20250415-00197
目的
探讨基于钆塞酸二钠(Gd-EOB-DTPA)增强MRI影像学征象术前预测肝细胞癌(HCC)瘤内三级淋巴结构(TLS)的效能。
方法
本研究为横断面研究,回顾性收集2021年6月至2022年11月陆军军医大学第一附属医院收治的297例HCC患者的临床病理资料,根据术后病理分为TLS阴性组(93例)和TLS阳性组(204例)。评价HCC病灶的Gd-EOB-DTPA MRI影像学特征和临床资料。采用独立样本t检验、Mann-Whitney U检验、χ2检验或Fisher确切概率法比较TLS阴性组与TLS阳性组间MRI影像征象和实验室检查间的差异。采用logistic回归获得TLS阳性的独立预测因素,构建模型并建立列线图,采用受试者操作特征(ROC)曲线、校准曲线及决策曲线分析(DCA)评估列线图模型预测TLS的效能和临床受益,ROC曲线下面积(AUC)的比较采用DeLong检验。
结果
TLS阴性组与阳性组间甲胎蛋白(AFP)水平、瘤内出血、肝胆期瘤周卫星灶差异有统计学意义(P<0.05)。多因素logistic分析结果显示,瘤内出血(OR=0.123,95%CI 0.070~0.216,P<0.001)、肝胆期瘤周卫星灶(OR=0.236,95%CI 0.093~0.596,P=0.002)是TLS阳性的独立预测因素。两者联合构建影像学模型,预测TLS阳性的AUC为0.764(95%CI 0.709~0.809),影像模型联合AFP水平的临床-影像模型预测TLS阳性的AUC为0.784(95%CI 0.732~0.829),优于影像模型的AUC(Z=2.20,P=0.028)。基于临床-影像模型构建列线图,校准曲线表明列线图具有较好的预测能力,DCA结果示曲线在合理阈值概率中均高于默认线,患者能获得临床受益。
结论
基于Gd-EOB-DTPA增强MRI影像学征象联合AFP构建的列线图模型可以有效预测HCC的TLS。
基于钆塞酸二钠增强MRI自动分割与影像组学的肝癌预后模型构建及风险分层研究俞灿 张奇 王玥琪 范恬湉 厉惠滢 丛山 周洋
中华放射学杂志2025年 59卷 06期
DOI: 10.3760/cma.j.cn112149-20241218-00742
目的
探讨基于肝特异性对比剂钆塞酸二钠增强MRI图像,采用深度学习的自动分割技术在肝细胞癌(HCC)病灶分割中的效能,并探讨通过影像组学分析预测患者预后的价值。
方法
本研究为横断面研究,回顾性收集2015年6月至2023年5月在哈尔滨医科大学附属肿瘤医院352例单发HCC患者资料,采用加权随机抽样法按3∶2比例分为训练集(n=213)和验证集(n=139)。由2名放射科医师共同对病灶进行手动标注。对钆塞酸二钠增强肝胆期MRI图像进行标准化处理,使用6种深度学习模型nnU-Net、nnFormer、UnetR、Swin-UnetR、UnetR++和MedNeXt,对训练集进行自动分割训练,并在验证集中评估分割效果,分割效能通过相似系数(Dice系数)、95%豪斯多夫距离(HD95)进行评估,获得最优模型。提取手动与自动分割区域的影像组学特征,计算影像组学评分(Radscore),对患者进行分层(高风险组和低风险组),采用Kaplan-Meier曲线和log-rank检验分析不同分层患者无复发生存期(RFS)和总生存期(OS)的差异。
结果
在自动分割模型的评估中,MedNeXt模型在验证集中表现最佳,Dice系数为76.0%,HD95为7.2,分割成功率为90.6%(126/139)。nnFormer模型次之,Dice系数为75.3%,HD95为10.1,分割成功率为89.9%(125/139)。其他模型的Dice系数为66.3%~74.1%。联合MedNeXt和nnFormer模型建立Mednext-nnF融合模型,其在验证集中Dice系数为78.2%,HD95为5.9,分割成功率为92.1%(128/139)。构建自动分割影像组学预后模型后,通过Radscore对患者进行预后分层,无论使用手动分割还是自动分割模型,Kaplan-Meier曲线分析均显示,不同分层患者RFS和OS的差异有统计学意义(P均<0.001)。
结论
Mednext-nnF融合模型可实现肝特异性增强MRI中HCC病灶的高效自动分割,基于自动分割构建的影像组学模型具备良好的预测预后风险分层效果。