基于深度学习的肝门部胆管癌MRI影像术前可切除性评估与手术规划辅助研究综述

基于深度学习的肝门部胆管癌MRI影像术前可切除性评估与手术规划辅助研究综述一、肝门部胆管癌术前评估的临床需求与传统方法局限肝门部胆管癌（HilarCholangiocarcinoma,HCCA）是起源于肝门部胆管上皮的恶性肿瘤，占胆管癌总数的50%~60%，起病隐匿，早期症状不典型，多数患者确诊时已处于中晚期。目前根治性手术切除是唯一可能治愈HCCA的手段，但由于肝门部解剖结构复杂，肿瘤易侵犯门静脉、肝动脉及周围肝实质，术前准确判断可切除性是提升手术成功率、降低患者术后并发症发生率和死亡率的核心前提。传统术前评估主要依赖影像学检查，其中磁共振成像（MRI）因具备多参数、多序列成像优势，可清晰显示胆管形态、肿瘤浸润范围及血管受累情况，是临床首选的评估方式。但传统阅片模式存在显著局限：首先，评估结果高度依赖影像科医师和外科医师的临床经验，不同医师对同一患者的可切除性判断一致性仅为65%~75%，尤其在肿瘤边界与炎症、纤维化鉴别，以及微血管侵犯识别等方面易出现漏判和误判；其次，传统评估仅能实现定性判断，无法量化肿瘤体积、剩余肝体积、血管侵犯程度等关键参数，难以支撑精准手术规划；此外，MRI影像包含大量多维信息，人工阅片通常仅能利用不足10%的影像特征，大量与预后相关的潜在微观特征无法被有效挖掘，导致部分患者即使术前评估符合可切除标准，术中仍发现肿瘤无法完全切除，术后复发率高达40%以上。二、深度学习在HCCAMRI影像特征提取中的技术路径深度学习技术的发展为突破传统影像评估的局限提供了新的解决方案，其核心优势在于可自动从原始影像数据中提取高维、抽象的影像组学特征，实现对病灶的精准量化分析。目前针对HCCAMRI影像的深度学习特征提取技术主要分为三大类：（一）基于卷积神经网络（CNN）的病灶分割与特征提取U-Net及其衍生模型是当前HCCA病灶分割的主流架构，针对肝门部解剖结构复杂、肿瘤边界模糊的特点，研究者通过引入注意力机制、多尺度融合模块提升分割精度。例如有团队提出的注意力门控U-Net模型，可自动聚焦肿瘤区域及周围血管、胆管交界区域，对T2加权成像（T2WI）序列中HCCA病灶的分割Dice系数可达0.89，显著优于传统阈值分割和普通U-Net模型。基于分割结果，深度学习模型可进一步提取肿瘤的形态学特征（体积、表面积、不规则度、边界粗糙度）、一阶统计特征（信号强度均值、中位数、熵值）及高阶纹理特征（灰度共生矩阵、灰度游程矩阵等），这些特征可量化传统阅片无法识别的肿瘤异质性，为可切除性评估提供量化依据。（二）多模态MRI影像融合特征提取HCCA的MRI检查通常包含T1WI、T2WI、弥散加权成像（DWI）、磁共振胰胆管造影（MRCP）、动态增强MRI（DCE-MRI）等多个序列，不同序列可提供肿瘤的不同生物学信息：T2WI可清晰显示胆管扩张程度和肿瘤形态，DWI可反映肿瘤细胞密度，DCE-MRI可显示肿瘤血供及血管受累情况。深度学习通过跨模态融合模块，如多通道输入融合架构、Transformer跨模态注意力机制，可将不同序列的影像特征进行有效整合。研究表明，融合多模态MRI特征的深度学习模型，对HCCA血管侵犯识别的准确率比单模态模型提升12%~18%，尤其对门静脉微小侵犯的识别敏感度可达85%以上，远高于传统人工阅片的60%左右。（三）基于弱监督学习的特征挖掘由于HCCA病例相对稀缺，且影像标注需要大量专业医师参与，标注成本较高，弱监督学习技术可降低对高精度标注的依赖。通过仅利用影像层面的诊断标签（如“可切除”“不可切除”“血管侵犯阳性”），无需逐像素标注病灶，深度学习模型即可自动定位病灶区域并提取与预后相关的特征。最新研究显示，基于弱监督学习的模型在HCCA可切除性评估任务中的AUC值可达0.87，仅比全监督模型低0.03，可有效缓解标注数据不足的问题，为模型的临床落地提供了可行性。三、深度学习在HCCA术前可切除性评估中的应用进展目前深度学习在HCCA可切除性评估中的应用主要集中在三个核心维度：肿瘤分期评估、血管侵犯判断及可切除性综合预测。（一）基于深度学习的Bismuth-Corlette分期自动评估Bismuth-Corlette分期是临床判断HCCA胆管侵犯范围的核心分期系统，对手术方式选择具有关键指导意义。传统分期需要医师手动测量肿瘤沿胆管的浸润范围，过程繁琐且容易出现误差。深度学习模型通过自动识别肿瘤上下界、左右肝管受累情况，可实现Bismuth-Corlette分期的自动判断。多项回顾性研究显示，深度学习模型对Ⅰ、Ⅱ型HCCA分期的准确率可达90%以上，对Ⅲ、Ⅳ型的准确率可达82%，与高年资影像科医师的判断一致性Kappa值可达0.81，可有效辅助低年资医师提升分期准确性。（二）血管侵犯的精准识别门静脉、肝动脉侵犯是判断HCCA不可切除的重要指征，传统MRI评估血管侵犯主要通过观察血管形态变化、狭窄程度，但对于血管壁微小浸润、血管周围纤维化与肿瘤侵犯的鉴别存在困难。深度学习模型通过提取血管周围区域的影像特征，可实现对血管侵犯的精准判断。例如有团队构建的3DCNN模型，结合DCE-MRI序列的动态增强信息，对门静脉侵犯判断的敏感度、特异度分别为88%、92%，对肝动脉侵犯判断的敏感度、特异度分别为83%、90%，均显著优于传统人工评估的72%、85%（门静脉）和67%、82%（肝动脉）。此外，部分研究还尝试通过深度学习模型量化血管侵犯的长度、范围，为血管重建方案的制定提供量化参考。（三）可切除性综合预测模型整合肿瘤分期、血管侵犯、淋巴结转移、剩余肝体积等多维度信息，构建可切除性综合预测模型是当前研究的热点。研究者将深度学习提取的影像特征与患者的临床指标（CA19-9水平、肝功能分级、肝硬化程度等）相结合，构建多模态预测模型。2024年发表的一项多中心研究显示，该类模型对HCCA术前可切除性判断的AUC值可达0.91，准确率为87%，比传统基于医师经验的评估准确率提升15%，可有效降低不必要的剖腹探查率。同时，部分模型还可输出预测结果的热力图，高亮显示影响可切除性判断的关键区域，为医师复核结果提供解释依据，提升了模型的临床可接受度。四、深度学习辅助HCCA手术规划的应用场景除可切除性评估外，深度学习还可在多个环节为HCCA手术规划提供辅助支持，进一步提升手术的精准性和安全性。（一）个体化肝体积精准计算根治性HCCA切除通常需要联合部分肝叶切除，术前准确计算剩余功能性肝体积是预防术后肝衰竭的关键。传统肝体积计算需要医师手动勾画肝脏、肿瘤及拟切除区域，耗时长达30~60分钟，且误差可达10%~15%。基于深度学习的自动分割模型可在1~2分钟内完成全肝、肝段、肿瘤及血管的自动分割，自动计算全肝体积、肿瘤体积、拟切除肝体积及剩余肝体积，误差可控制在5%以内。最新研究还将DWI序列的肝功能信息融入模型，可实现功能性剩余肝体积的计算，比传统解剖体积计算更精准地预测术后肝衰竭风险，预测AUC值可达0.89。（二）手术入路推荐与风险预警基于大量历史手术病例的影像与预后数据，深度学习模型可学习不同特征患者的最优手术入路选择规律。例如对于BismuthⅢa型HCCA患者，模型可根据肿瘤位置、门静脉右支侵犯程度、右肝体积等特征，自动判断是选择右半肝切除还是围肝门切除，推荐结果与高年资外科医师决策的一致性可达84%。同时，模型还可识别手术高风险区域，如肿瘤与重要血管的距离小于1mm的区域，在术前规划中自动进行风险预警，提示术中需要重点分离和保护的结构，降低术中血管损伤的概率。（三）预后风险分层术前预测患者术后复发风险和生存预后，对手术方案选择和术后辅助治疗规划具有重要意义。深度学习模型通过提取MRI影像中的预后相关特征，可实现患者术后无病生存期和总生存期的预测。有研究显示，基于深度学习影像特征构建的预后模型，对HCCA患者术后2年复发预测的AUC值可达0.82，显著优于传统基于TNM分期的预测模型（AUC=0.68）。根据模型的风险分层结果，医师可对高复发风险患者制定更积极的手术方案和术后辅助治疗策略，进一步改善患者的长期预后。五、当前研究的挑战与未来发展方向尽管深度学习在HCCAMRI影像术前评估中已经取得了显著进展，但目前仍面临一系列挑战，距离大规模临床落地还有一定距离。首先是数据质量与泛化性问题。HCCA属于少见肿瘤，多中心、大样本的标注数据集较为稀缺，且不同中心的MRI扫描参数、序列选择存在差异，导致模型在不同中心的泛化性能不佳。未来需要建立标准化的HCCA影像数据库，统一数据采集和标注规范，通过联邦学习等技术在保护患者隐私的前提下实现多中心数据共同训练，提升模型的泛化能力。其次是模型的可解释性不足。当前多数深度学习模型属于“黑箱”模型，虽然预测准确率较高，但无法清晰解释判断依据，这是阻碍临床医师信任和接受模型的重要因素。未来需要重点发展可解释深度学习技术，通过特征重要性排序、热力图可视化、因果推理等方法，明确模型预测的关键特征和逻辑，提升模型的临床可信度。第三是临床验证与监管准入不足。目前多数研究仍属于回顾性研究，缺