基于深度学习的肝细胞癌微血管侵犯术前影像预测研究综述

基于深度学习的肝细胞癌微血管侵犯术前影像预测研究综述肝细胞癌（HCC）是全球范围内发病率与致死率居高不下的恶性消化系统肿瘤，我国每年新发HCC病例占全球总量的45%以上，患者5年总体生存率不足30%。微血管侵犯（MVI）作为HCC细胞侵袭性的核心生物学标志，指显微镜下可见的内皮细胞衬覆的血管腔内出现癌细胞巢，是术后复发、转移的独立危险因素，直接决定患者手术方案选择与远期预后。目前MVI确诊只能依赖术后病理组织学检查，术前无创预测MVI状态始终是临床诊疗的核心痛点。近年来深度学习技术在医学影像分析领域的突破，为解决这一难题提供了全新路径，相关研究呈现爆发式增长，已经成为精准肿瘤学与影像组学交叉领域的研究热点。深度学习应用于HCCMVI预测的影像数据源进展目前用于MVI预测的影像模态已经从单一CT、MRI拓展至多模态融合、功能影像与分子影像联合的多元格局。增强CT是临床最常用的HCC术前评估手段，动脉期、门静脉期、延迟期的动态强化特征与MVI发生高度相关，传统影像组学往往需要手动提取数百个纹理特征，而深度学习模型可自动挖掘人眼无法识别的高维影像特征。2022年欧洲放射学会一项纳入1247例HCC患者的多中心研究显示，基于3DResNet架构的深度学习模型仅通过三期增强CT影像预测MVI的AUC可达0.87，显著高于传统影像组学模型的0.79。相比CT，MRI的软组织分辨率更高，尤其是钆塞酸二钠（Gd-EOB-DTPA）增强MRI的肝胆特异期能够反映肝细胞的功能活性，成为MVI预测的关键影像数据源。2023年《Radiology》发表的研究证实，结合T2加权成像、弥散加权成像（DWI）、表观扩散系数（ADC）图及肝胆期图像的多序列MRI深度学习模型，预测MVI的AUC在外部验证集中达到0.91，敏感度与特异度分别为86%和83%。功能影像参数的加入进一步提升了模型预测效能。灌注加权成像（PWI）能够量化肿瘤内部的血流灌注特征，包括血流量、血容量、平均通过时间等参数，直接反映肿瘤微血管生成状态，与MVI的病理机制高度契合。2024年国内团队开发的融合灌注参数与解剖结构图像的双分支深度学习模型，在189例手术患者队列中实现了0.89的预测AUC，较单独使用常规MRI提升了11%。正电子发射计算机断层显像（PET）等分子影像数据也开始被纳入模型，18F-FDGPET的标准摄取值（SUV）反映肿瘤的葡萄糖代谢水平，高代谢肿瘤往往具有更强的侵袭性，2023年一项融合PET/CT多模态影像的深度学习研究显示，其预测MVI的AUC可达0.88，同时能够识别出肿瘤周边代谢异常的潜在微侵犯区域。值得注意的是，影像组学与病理组学的交叉融合也成为新的趋势，部分研究尝试将术前穿刺病理的特征与影像特征联合输入模型，进一步提升了预测的准确率，但此类方法受限于穿刺活检的有创性与采样误差，临床普及仍需进一步验证。深度学习模型架构的创新与优化路径当前用于MVI预测的深度学习模型架构经历了从2D卷积神经网络（CNN）到3DCNN，从单任务模型到多任务联合学习的演进过程。早期研究多采用2DCNN架构，如VGGNet、ResNet、DenseNet等，通过对肿瘤区域的2D切片进行特征提取，优势是计算成本低、数据标注难度小，但无法充分利用肿瘤的三维空间信息，容易丢失肿瘤异质性的立体特征。2021年之后，3DCNN逐渐成为主流架构，3D卷积核能够同时在空间三个维度提取特征，完整捕捉肿瘤整体的形态、纹理及边缘浸润特征，多项头对头研究证实3D模型的预测效能普遍比2D模型高5%-10%。针对3D模型训练数据需求量大的问题，基于自监督学习的预训练策略被广泛采用，研究人员利用大规模未标注的腹部影像数据对模型进行预训练，再通过小样本标注数据微调，显著降低了对标注数据的依赖，2024年一项研究仅用150例标注数据就实现了0.85的预测AUC，较传统监督学习模型提升了8%。多模态特征融合策略是模型优化的核心方向，目前主要分为早期融合、中期融合和晚期融合三类。早期融合直接将不同模态的影像作为多通道输入模型，优势是能够充分挖掘模态间的低维关联特征，但对数据配准精度要求极高；中期融合在模型的隐含层对不同模态的特征图进行拼接或加权融合，兼顾了特征关联与模型稳定性，是目前应用最广泛的融合方式；晚期融合则对每个模态单独训练模型，最后对输出结果进行集成，优势是鲁棒性强，单一模态数据缺失时仍可运行。2023年《NatureCommunications》发表的多中心研究采用中期融合策略，构建了包含CT、MRI、临床特征三个分支的深度学习模型，在全球5个中心的2132例患者队列中实现了跨中心验证AUC0.84，显著优于单模态模型。注意力机制的引入有效提升了模型的可解释性与预测精度。视觉Transformer（ViT）架构通过自注意力机制能够自动聚焦于与MVI相关的关键影像区域，如肿瘤边缘的不规则强化区、卫星灶区域等，2024年国内团队开发的Swin-Transformer模型在预测MVI的同时，能够输出热力图标注出模型决策关注的影像区域，与病理证实的微侵犯位置吻合度达到78%，解决了传统深度学习模型“黑箱”问题，更易获得临床医生的信任。此外，多任务学习框架被越来越多的研究采用，模型在预测MVI的同时，联合预测肿瘤分级、Ki-67表达水平、术后复发风险等多个相关任务，通过任务间的信息共享提升模型泛化能力，2023年一项多任务模型研究显示，联合预测MVI与术后1年复发风险的模型，MVI预测AUC较单任务模型提升了7%，同时复发预测的准确性也得到了显著改善。针对临床场景中数据不平衡的问题（MVI阳性率通常在30%-50%之间），类别权重调整、过采样、损失函数优化（如FocalLoss）等策略被广泛应用，有效避免了模型偏向于预测多数类的问题。临床应用转化与面临的关键挑战深度学习模型的临床转化已经取得阶段性进展，部分成果已经开始进入临床验证阶段。2022年国内首个HCCMVI预测人工智能辅助诊断软件获得NMPA三类医疗器械注册证，该软件基于增强CT影像，可在1分钟内输出MVI风险概率，在全国12家临床中心的验证中显示，其预测MVI的准确率达到82%，帮助外科医生手术方案决策的符合率提升了23%。临床实践中，MVI预测结果已经开始用于指导手术方式选择：对于高MVI风险患者，更推荐进行解剖性肝切除，扩大切缘范围，降低术后复发风险；对于低MVI风险患者，可考虑进行局部切除或消融治疗，最大程度保留肝实质。此外，MVI风险分层也用于指导术后辅助治疗，高风险患者术后接受靶向治疗或免疫治疗的获益显著更高，2023年一项临床研究显示，基于深度学习模型筛选出的高MVI风险患者，术后接受免疫辅助治疗后复发率降低了41%。尽管取得了显著进展，但深度学习模型的临床广泛应用仍面临诸多挑战。首先是多中心泛化能力不足问题，不同中心的影像扫描参数、造影剂使用方案、设备型号存在差异，导致模型在跨中心验证时效能出现显著下降。2024年一项纳入17个中心3200例患者的荟萃分析显示，深度学习模型在内部验证集的平均AUC为0.88，而在外部验证集仅为0.76，性能下降幅度最高可达23%。标准化影像采集协议、域适应技术、联邦学习等方案正在被用于解决这一问题，联邦学习能够在不共享患者原始数据的前提下，实现多中心模型联合训练，2023年一项联邦学习研究联合了8家医院的1200例数据，训练得到的模型在各中心的外部验证AUC均稳定在0.82以上，较单中心模型泛化能力提升了15%。其次是模型可解释性不足仍然是临床接受度的主要障碍。大部分深度学习模型无法明确说明预测依据与影像特征的病理对应关系，临床医生对模型决策的信任度不足。目前研究人员正在通过类激活图、特征可视化、因果推理等方法提升模型可解释性，尝试建立“影像特征-病理特征-生物学行为”的关联通路，明确模型提取的高维特征对应的病理意义，如2024年一项研究证实，深度学习模型提取的肿瘤边缘“毛刺样”强化特征、内部不均匀灌注特征，与病理上的微血管侵犯密度、肿瘤细胞侵袭前沿的上皮间质转化水平显著相关，为模型决策提供了病理依据。数据标注质量也是制约模型性能的关键因素。目前大部分研究采用的标注仅包含肿瘤整体区域，而MVI往往发生在肿瘤周边2cm范围内的肝实质中，精准标注肿瘤及癌旁区域、明确MVI的位置与范围，能够显著提升模型性能，但标注成本大幅提升。弱监督学习、半监督学习技术的发展有望缓解这一问题，仅依靠术后病理的MVI阳性/阴性标签，无需精细的区域标注，即可训练得到性能优异的模型，2023年一项弱监督学习研究仅用病理诊断标签训练，模型预测AUC达到0.84，与采用精细标注的模型性能相当。此外，临床验证体系有待完善，目前大部分研究为回顾性研究，缺乏前瞻性、大样本、多中心的随机对照试验验证模型的临床获益。现有研究多以病理诊断作为金标准评估模型效能，但缺乏对患者长期预后影响的评估，即模型指导下的诊疗决策是否真正能够