基于多序列MRI和Swin Transformer深度学习模型的肝细胞癌微血管侵犯预测

摘要

目的：开发并验证基于多序列MRI的Swin Transformer（ST）深度学习模型在肝细胞癌（HCC）微血管侵犯（MVI）预测中的应用价值，为HCC患者的精准诊疗提供新的解决方案和客观、科学依据。方法：回顾性纳入徐州医科大学附属医院174例经手术病理确诊的HCC患者，收集患者的术前多序列MRI图像[动脉期（AP）、延迟期（DP）、脂肪抑制T₂加权成像（T₂WI-FS）、扩散加权成像（DWI）]，经过图像预处理和增强后，构建基于ST的DL模型，并将其与基于卷积神经网络（CNN）架构的DenseNet121、DenseNet169、ResNet34、ResNet50、VGG16、GoogleNet模型，基于Transformer架构的Vision Transformer（ViT）模型以及影像组学模型进行对比，计算模型的准确率、受试者工作特征曲线下面积（AUC）、敏感度、特异度，通过混淆矩阵和决策曲线分析（DCA）评估性能。为提高模型的可解释，采用梯度加权类激活映射（Grad-CAM）可视化模型关注区域。结果：ST模型在4个序列的MVI预测任务中总体性能最好，特别是DP序列上预测结果最优，其准确度、AUC（95%CI）、敏感度和特异度分别为0.944、0.993（0.985～0.998）、0.984和0.904，显著优于其他深度学习模型和影像组学模型，DCA图进一步证实其卓越的临床应用价值。Grad-CAM结果显示ST模型能够有效关注肿瘤相关区域。结论：ST在不同序列MRI图像上的各项指标均表现出优异的预测性能，可为临床诊断、治疗决策及预后评估提供有力的辅助工具。

关键词

肝细胞癌 / 微血管侵犯 / 多序列磁共振成像 / Swin Transformer / 影像组学

基金资助

国家自然科学基金（82001987）; 江苏省研究生科研与实践创新计划（KYCX25＿3266）