基于深度学习的肝细胞癌影像分级研究综述

基于深度学习的肝细胞癌影像分级研究综述肝细胞癌（HepatocellularCarcinoma,HCC）是全球范围内发病率与死亡率居高不下的恶性肿瘤之一，我国每年新发HCC病例占全球总量的45%以上，患者5年生存率不足15%。临床实践表明，HCC的分级与患者治疗方案选择、预后评估直接相关，低级别HCC可通过手术切除、射频消融等方式实现根治，而高级别HCC往往伴随血管侵犯、远处转移，需采用靶向治疗、免疫治疗等综合干预策略。传统HCC分级依赖穿刺活检或术后病理检查，属于有创操作，且存在采样误差、无法动态监测肿瘤异质性等局限性。医学影像作为无创评估肿瘤特征的核心手段，结合深度学习技术实现HCC的自动化、精准化分级，已成为当前肿瘤影像学与人工智能交叉领域的研究热点。深度学习在HCC影像分级中的数据基础与预处理技术HCC影像分级研究的首要前提是构建高质量、多模态的影像数据集。目前公开数据集方面，TCIA（TheCancerImagingArchive）平台收录了超过1000例HCC患者的CT、MRI影像及对应病理分级信息，其中肝细胞癌-LI-RADS（LiverImagingReportingandDataSystem）标注数据集包含动脉期、门脉期、延迟期多期相增强CT影像，是现阶段使用最广泛的公开数据来源。国内多家三甲医院也陆续构建了本地化HCC影像数据库，如中山医院肝癌研究所的多中心数据集涵盖3000余例患者的术前影像、病理结果及随访数据，样本覆盖乙肝相关性HCC、酒精性HCC等不同病因类型。但当前数据集仍存在显著局限性：一是标注标准不统一，不同中心对病理分级的判定存在5%-10%的差异，影像标注时肿瘤ROI（感兴趣区）的勾画误差可达3-5个像素；二是样本分布不均衡，低级别高分化HCC样本占比不足20%，小肝癌（直径<3cm）样本量仅占总样本的12%，易导致模型产生偏倚。影像预处理是提升模型鲁棒性的关键环节，目前主流技术路径包含三个维度：首先是多模态配准，针对CT多期相影像、MRIT1加权、T2加权、DWI（扩散加权成像）等不同模态数据，采用刚性配准结合弹性配准算法实现像素级对齐，配准误差可控制在2mm以内，确保不同模态下肿瘤区域的空间对应关系。其次是归一化处理，针对CT影像采用HU值截断技术，将范围设定在[-100,400]HU以突出肝实质与肿瘤组织的对比度，MRI影像则采用Z-score归一化消除不同扫描仪的信号强度差异。数据扩增技术方面，除传统的随机翻转、旋转、缩放操作外，基于生成对抗网络（GAN）的合成扩增技术逐渐得到应用，2024年《MedicalImageAnalysis》发表的研究显示，采用StyleGAN生成的虚拟HCC影像可使低级别样本量提升3倍，模型在外部验证集上的AUC值提升0.08-0.12。针对肿瘤异质性问题，部分研究采用超分辨率重建技术将低分辨率影像放大4倍，可清晰显示肿瘤内部的坏死、出血等微观结构特征，为后续特征提取提供更丰富的信息。基于深度学习的HCC影像分级特征提取范式深度学习在HCC影像分级中的核心优势在于自动提取高维影像特征，替代传统人工设计的影像组学特征，目前已形成三类成熟的特征提取范式。第一类是基于卷积神经网络（CNN）的端到端特征提取。早期研究多采用VGG、ResNet等经典CNN架构直接对肿瘤ROI区域进行特征提取，2022年一项纳入8个中心1500例HCC患者的多中心研究显示，ResNet-50提取的2048维影像特征对高低级别HCC的区分AUC达到0.87，优于传统影像组学模型的0.79。为充分利用多期相影像的动态增强信息，研究人员提出多分支CNN架构，每个分支对应一个期相的影像特征提取，再通过注意力机制融合不同期相的特征权重。2023年《Radiology》发表的研究显示，融合动脉期、门脉期、延迟期特征的多分支CNN模型，在区分低级别（I级）与高级别（III-IV级）HCC时AUC可达0.91，灵敏度、特异度分别为88%、83%，优于放射科医师的平均诊断水平（AUC0.82）。针对小肝癌样本特征不明显的问题，最新研究采用空洞卷积、可变形卷积等技术提升模型对微小病灶的特征捕捉能力，在直径<2cm的HCC样本中分级准确率较传统CNN提升15%以上。第二类是基于Transformer的全局特征建模。Transformer架构凭借其自注意力机制能够捕捉长距离特征依赖关系，解决了CNN难以建模肿瘤全局异质性的缺陷。2023年提出的Swin-UNet架构被广泛应用于HCC影像分级，该架构在特征提取阶段同时整合局部纹理特征与全局空间分布特征，对存在卫星灶的HCC分级准确率较CNN模型提升9%。针对多模态影像融合，多模态Transformer架构通过交叉注意力机制实现CT影像特征与MRIDWI序列的ADC值特征的深度融合，2024年发表在《IEEETransactionsonMedicalImaging》的研究显示，该模型在包含1200例多模态影像的数据集上分级AUC达到0.93，比单模态模型提升0.06-0.09。目前Transformer模型的局限性在于对小样本数据的泛化能力较弱，当训练样本量低于500例时模型性能会出现显著下降，因此需要结合迁移学习、半监督学习等技术优化小样本场景下的表现。第三类是结合临床特征的多模态特征融合。单独影像特征存在局限性，临床指标如甲胎蛋白（AFP）、异常凝血酶原（PIVKA-II）、肝硬化程度、乙肝病毒载量等与HCC分级密切相关。目前主流融合策略分为早期融合、中期融合、晚期融合三类：早期融合直接将临床特征与影像像素矩阵拼接输入模型，该方法易导致特征维度爆炸，应用较少；中期融合在特征提取层将影像高维特征与临床特征向量拼接，再通过全连接层进行特征交互，是当前最常用的融合方式，2023年一项多中心研究显示该融合策略可使模型AUC提升0.04-0.07；晚期融合则分别训练影像模型与临床特征模型，再通过逻辑回归对两个模型的输出结果进行加权融合，优势是可解释性更强，适合临床场景下的结果验证。2024年《JournalofHepatology》发表的研究表明，融合影像特征、AFP、PIVKA-II及肝硬化程度的多模态模型，对HCC分级的准确率达到89%，其中15%仅靠影像被误判为低级别的HCC患者，结合临床特征后得到了正确分级。模型可解释性与临床落地关键技术深度学习模型的“黑箱”特性是阻碍其临床落地的核心瓶颈，近年来HCC影像分级模型的可解释性研究取得了重要进展。目前主流的可解释性方法分为两类：一类是基于注意力权重可视化的方法，通过Grad-CAM、Score-CAM等技术生成热力图，直观显示模型判断HCC分级时重点关注的影像区域。2023年的一项临床对照研究显示，当模型输出结果附带热力图时，放射科医师对HCC分级的诊断准确率从76%提升至85%，且诊断一致性Kappa值从0.68提升至0.81。另一类是基于特征重要性排序的方法，采用SHAP、LIME等算法量化不同影像特征与临床特征对分级结果的贡献度，例如研究发现动脉期环形强化、DWI高信号、肿瘤边缘不规则这三类特征对高级别HCC的判断贡献度占比超过60%，与临床诊断经验高度吻合。部分研究进一步将模型提取的特征与病理特征建立关联，2024年发表的研究显示，深度学习模型提取的“肿瘤内部密度异质性”特征与病理层面的Ki-67增殖指数相关性达到0.72，“边缘浸润性”特征与微血管侵犯的相关性达到0.68，实现了影像特征与病理生物学行为的映射。模型的泛化能力验证是临床落地的必要前提。目前研究普遍采用三阶段验证策略：首先是内部交叉验证，在单中心数据集上采用5折或10折交叉验证初步评估模型性能；其次是外部多中心验证，在3个及以上不同设备、不同人群的数据集上验证模型鲁棒性，要求外部验证集AUC下降幅度不超过0.05；最后是前瞻性临床验证，在真实临床诊疗流程中测试模型表现，评估模型对不同病因、不同分期HCC的适应性。此外，监管层面的合规性评估也逐步完善，2023年国家药监局发布的《人工智能医用软件产品注册审查指导原则》明确要求HCC辅助诊断软件需提供至少1000例样本的多中心临床试验数据，模型分级结果与病理金标准的符合率需达到85%以上。目前国内已有3款基于深度学习的HCC影像辅助诊断产品获得三类医疗器械注册证，主要应用于术前分级评估场景，临床应用数据显示其可将HCC术前分级评估时间从平均40分钟缩短至10分钟，诊断一致性提升20%以上。研究挑战与未来发展方向尽管深度学习在HCC影像分级领域取得了显著进展，但仍存在三方面核心挑战：一是肿瘤异质性的精准建模问题，HCC内部存在多克隆亚群，同一肿瘤不同区域的分级可能存在差异，现有模型大多基于整体ROI特征进行判断，难以捕捉瘤内异质性的空间分布特征；二是多中心数据的适配问题，不同品牌的CT、MRI设备成像参数差异大，不同人群的HCC病因构成不同，导致模型在跨中心应用时性能下降明显，部分场景下AUC下降幅度可达0.15以上；三是临床workflow的整合问题，现有模型大多需要人工勾画肿瘤ROI，耗时较长，难以融入放射科常规诊断流程，且模型输出结果与现有临床报告体系的对接标准尚未统一。未来研究将重点围绕四个方向展开：第一是多组学融合建模，整合影像组学、基因组学、蛋白质组学数据，构建“影像-分子-病理”关联模型，实现从影像特征直接预测HCC的基因突变、免疫表型等分子特征，为精准治疗提供更全面的信息。2024年已有初步研究显示，融合影像特征与ctDNA突变信息的模型对HCC分级的AUC可达0.95，且可同时预测患者对免疫治疗的响应率。第二是小样本与零样本学习技术，通过迁移学习、联邦学习等技术在不共享原始数据的前提下实现多中心数据联合训练，解决欠发达地区样本量不足的问题，目前联邦学习框架下的HCC分级模型在5个中心联合训练后，性能接近集中式训练模型的95%。第三是全流程自动化pipeline构建，结合肿瘤自动分割技术实现从影像输入到分级结果输出的全自动化处理，无需人工干预，最新的端到端模型可同时完成肝脏分割、肿瘤检测、肿瘤分级三个任务，整体处理时间仅需2分钟，已接近临床实用要