基于深度学习的肝癌影像诊断研究综述

基于深度学习的肝癌影像诊断研究综述肝癌是全球范围内发病率与死亡率最高的恶性肿瘤之一，据世界卫生组织国际癌症研究机构（IARC）2025年发布的数据显示，全球每年新发肝癌病例超过90万例，其中约50%的病例发生在中国，且多数患者确诊时已处于中晚期，5年生存率不足15%。影像学检查作为肝癌早期筛查、诊断与分期的核心手段，目前主要依赖CT、MRI、超声等模态的人工读片，但受医师经验、疲劳程度、影像复杂度等因素影响，传统人工诊断存在灵敏度波动大、诊断效率低、微小病灶易漏诊等问题。深度学习技术凭借其强大的特征自动提取与非线性建模能力，近年来在肝癌影像诊断领域实现了突破性进展，为解决传统诊断模式的痛点提供了全新的技术路径。一、深度学习在肝癌影像诊断中的基础技术框架深度学习在肝癌影像诊断中的应用遵循“数据预处理-特征提取-模型训练-推理预测”的标准化技术流程，不同环节的技术选型直接决定最终诊断性能。在数据预处理阶段，由于医学影像存在模态差异、设备异质性、灰度不均、运动伪影等问题，需首先完成影像配准、归一化、去噪、感兴趣区域（ROI）分割等前置操作。针对多模态影像融合场景，目前主流的预处理方法包括基于线性变换的直方图匹配、基于生成对抗网络（GAN）的跨模态风格迁移，以及基于解剖结构标记的刚性/非刚性配准，可有效降低不同设备、不同扫描参数带来的特征偏移。针对小样本数据集问题，常用的数据增强技术包括随机翻转、旋转、缩放、弹性形变、灰度扰动等，部分研究还引入了基于GAN的合成影像生成方法，可在不增加临床数据采集成本的前提下，将训练样本量扩充3-5倍，显著降低模型过拟合风险。特征提取环节是深度学习区别于传统机器学习方法的核心优势。传统影像组学方法依赖人工设计的一阶（灰度统计特征）、二阶（纹理特征）、高阶（形状特征）特征，特征有效性高度依赖研究者的领域知识，且难以捕捉影像中的隐式微观特征。而卷积神经网络（CNN）可通过多层卷积、池化操作自动学习从像素级到语义级的分层特征，其中低层卷积核捕捉边缘、纹理等基础视觉特征，中层捕捉结节形态、密度异质性等组织特征，高层捕捉病灶与周围血管、胆管的空间关系等高阶语义特征。针对3D容积影像（如CT增强扫描的动脉期、门脉期、延迟期多期序列），3DCNN、V-Net等网络结构可充分利用空间上下文信息，相比2DCNN对微小病灶的检出灵敏度可提升15%以上。模型训练阶段的核心挑战在于医学数据的标注成本高、类别不平衡问题。目前常用的弱监督学习方法可利用影像报告中的结构化标注（如“肝右叶占位，考虑肝癌”）替代像素级手工标注，将标注成本降低80%以上；半监督学习方法可同时利用标注数据与大量未标注数据训练模型，在仅有10%标注数据的场景下，模型性能可达到全监督训练的90%左右。针对肝癌病灶与正常肝组织样本量不均衡的问题，FocalLoss、DiceLoss等损失函数可有效提升模型对少数类（小病灶、罕见亚型肝癌）的关注程度，相比传统交叉熵损失，对直径小于1cm的微小肝癌检出率可提升20%以上。二、肝癌影像诊断典型深度学习模型的应用进展近年来，不同架构的深度学习模型在肝癌影像诊断的细分任务中展现出差异化的性能优势，应用场景覆盖病灶检出、良恶性鉴别、病理亚型预测、预后评估等全流程。（一）基于CNN的肝癌病灶检出与良恶性鉴别CNN是目前肝癌影像诊断中应用最广泛的模型架构，经典的U-Net、ResNet、DenseNet等网络均已实现成熟落地。在病灶检出任务中，基于CNN的两阶段检测模型（如FasterR-CNN、MaskR-CNN）可同时完成病灶定位与分割，对CT影像中肝癌病灶的检出灵敏度可达94%，特异度可达92%，性能已接近高年资放射科医师水平；单阶段检测模型（如YOLO、SSD）虽灵敏度略低1-2个百分点，但推理速度可达每秒30帧以上，可满足大规模人群肝癌筛查的实时性需求。2024年发表在《Radiology》的一项多中心研究显示，基于ResNet-50构建的肝癌鉴别诊断模型，在12个中心的8000例CT增强影像数据集上，对肝细胞癌、肝内胆管癌、转移瘤的分类准确率可达89.7%，优于平均年资8年的放射科医师的诊断准确率（85.2%）。针对MRI多序列影像的特点，多输入CNN模型可同时整合T1加权、T2加权、弥散加权成像（DWI）、动态对比增强（DCE）等多个序列的特征，相比单序列模型诊断准确率可提升8-10个百分点。2025年国内团队开发的基于多模态MRI的肝癌诊断模型，在包含3000例病例的全国多中心验证集中，对小于2cm的小肝癌诊断灵敏度可达91.3%，而传统人工读片的灵敏度仅为78.6%，可有效降低小肝癌的漏诊率。（二）基于Transformer的全局特征建模Transformer架构凭借其自注意力机制对长距离依赖关系的建模能力，近年来逐步应用于肝癌影像诊断领域，尤其在解决病灶与周围组织的空间关系分析、多期相特征融合等问题上展现出显著优势。VisionTransformer（ViT）将影像分割为多个Patch，通过自注意力机制计算不同Patch之间的相关性，可捕捉传统CNN容易忽略的全局上下文信息。2023年谷歌DeepMind团队提出的医学影像专用Transformer模型Med-PaLM，在肝癌MRI影像分期任务中，对巴塞罗那临床肝癌（BCLC）分期的预测准确率可达87.2%，相比CNN模型提升了6.4个百分点。针对3D容积影像计算量过大的问题，SwinTransformer通过滑动窗口自注意力机制大幅降低了计算复杂度，使得端到端的3DTransformer训练成为可能。2024年发表在《NatureMachineIntelligence》的研究显示，基于3DSwinTransformer构建的肝癌术后复发预测模型，可通过术前CT影像提取的全局特征预测患者术后1年复发风险，AUC值可达0.86，显著优于传统基于临床病理因素的预测模型（AUC=0.71）。（三）基于多模态融合的诊断模型临床实践中肝癌诊断通常需要结合影像、检验、病史等多源信息，因此多模态融合模型成为近年来的研究热点。目前主流的融合策略包括像素级融合、特征级融合与决策级融合三类：像素级融合是将不同模态影像在输入层直接拼接，适用于已完成严格配准的多期相CT/MRI影像；特征级融合是将不同模态数据分别通过特征提取器得到高维特征后，在特征空间进行拼接或注意力加权融合，可有效整合非结构化影像数据与结构化临床数据（如甲胎蛋白AFP、乙肝感染史、肝硬化病史等）；决策级融合是对不同模态模型的预测结果进行加权集成，鲁棒性最高但会丢失部分特征交互信息。2025年一项纳入5000例病例的多中心研究显示，融合CT影像、AFP水平、肝硬化病史三类信息的多模态模型，对肝癌的诊断AUC可达0.96，显著优于仅使用影像的单模态模型（AUC=0.91），且对AFP阴性肝癌患者的诊断灵敏度可达88.2%，可有效减少AFP阴性肝癌的漏诊。此外，部分研究还探索了影像组学特征与深度学习特征的融合策略，将人工设计的可解释性特征与深度学习的隐式特征结合，在提升模型性能的同时降低了黑箱风险。三、临床落地面临的核心挑战与解决方案尽管深度学习在肝癌影像诊断的研究中已取得优异的实验室性能，但目前真正实现临床大规模落地的产品仍较少，核心挑战集中在模型泛化性、可解释性、监管合规性三个层面。（一）模型泛化性不足问题深度学习模型的性能高度依赖训练数据的分布，当应用于不同设备、不同人群、不同扫描参数的外部数据集时，往往出现性能大幅下降的“分布偏移”问题。例如，在某三甲医院16排CT数据上训练的模型，应用到基层医院64排CT数据时，诊断灵敏度可能从90%以上下降到70%以下。解决该问题的核心路径包括：一是构建大规模多中心、多设备、多人群的标准化数据集，目前国内已启动的国家肝癌影像数据库已纳入超过10万例多中心病例，覆盖不同品牌、不同参数的影像设备，可为模型训练提供更具代表性的数据源；二是引入领域自适应、域泛化技术，通过对抗训练、风格迁移等方法，降低不同域之间的特征分布差异，2024年发表的一项研究显示，采用域自适应方法训练的模型，在跨中心测试集上的性能下降幅度可从20%降低到5%以内；三是建立持续学习机制，允许模型在临床应用过程中不断学习新的数据分布，实现性能的动态迭代优化。（二）模型可解释性不足问题深度学习模型的“黑箱”特性是阻碍临床医师信任的核心障碍，多数情况下模型仅能输出诊断结果，无法给出诊断依据，难以满足临床决策的可解释性需求。目前主流的可解释性方法包括三类：一是基于注意力机制的可视化方法，通过热力图标注模型诊断所关注的影像区域，直观展示模型是否聚焦于病灶区域，2023年FDA批准的首个肝癌AI辅助诊断产品即采用该方法，为医师提供病灶区域高亮提示；二是基于特征归因的方法，如Grad-CAM、LIME等，可量化分析不同影像特征、临床特征对最终诊断结果的贡献度，例如输出“该病例诊断为肝癌的主要依据是动脉期明显强化、门脉期洗脱、AFP升高”的结构化解释；三是构建基于知识图谱的可解释框架，将临床诊断指南与模型预测结果结合，确保模型的决策逻辑符合已有的临床诊疗规范。（三）监管与合规性问题医学AI产品属于三类医疗器械，需通过严格的临床试验与监管审批才能进入临床应用。目前全球范围内针对医学AI的监管体系仍在逐步完善中，核心要求包括：一是训练数据的溯源与伦理合规，需确保所有训练数据均获得患者知情同意，符合隐私保护相关法律法规（如我国的《个人信息保护法》、欧盟的GDPR）；二是模型性能的可重复性，需在多中心、大样本的独立验证集上证明模型性能的稳定性，不能仅在单中心数据集上验证；三是模型的全生命周期管理，需建立完善的模型更新、监测、风险预警机制，确保模型在上线后性能不会随数据分布变化而下降。2024年我国国家药监局发布的《人工智能医疗器械注册审查指导原则》，明确了肝癌辅助诊断类AI产品的临床试验要求，为产品落地提供了清晰的合规路径。四、未来发展趋势与研究方向随着技术的不断迭代，深度学习在肝癌影像诊断领域的应用正朝着“全流程、全场景、全周期”的方向发展，未来的研究重点将集中在以下几个方向：一是早期筛查场景的轻量化模型开发。针对基层医疗机构设备性能有限、算力不足的问题，开发轻量级、低算力需求的模型，可部署在便携式超声设备、边缘计算设备上，实现基层肝癌筛查的“现场检测、即时诊断”。2025年已有研究展示了参数仅10M的轻量化模型，在超声影像肝癌检出任务中性能接近大型模型，可在普通嵌入式设备上实现实时推理。二是多组学融合的精准诊断模型。将影像数据与基因组、转录组、蛋白质组等分子组学数据结合，实现从影像表型到分子亚型的精准预测，可为肝癌的靶向治疗、免疫治疗提供决策依据。目前已有研究证明，通过CT影像特征可预测肝癌的微血管侵犯状态、PD-L1表达水平，预测准确率可达80%以上，可为术前治疗方案制定提供重要参考。三是人机协同诊断模式的构建。未来深度学习模型的定位并非替代医师，而是作为医师的辅助工具，构建“AI初筛-医师复核-疑难病例