多参数MR为基础的CNN模型预测肝细胞性肝癌的微血管侵犯

摘要

目的 采用基于多参数磁共振序列的卷积神经网络（convolutional neural network, CNN）联合传统影像组学标签及临床指标，术前预测肝细胞性肝癌（hepatocellular carcinoma, HCC）患者的微血管侵犯（microvascular invasion, MVI）。方法 选择经病理确诊的HCC患者275例纳入本研究。将数据集随机分为训练集（n=192）和测试集（n=83）。应用CNN技术，融合二维多参数磁共振肿瘤图像、三维肿瘤的传统影像组学特征标签及临床指标，开发一种HCC的MVI预测分类器。应用受试者工作特征曲线（receiver operating characteristic, ROC）,比较混合模型(Model^Com)与卷集神经网络模型（Model^D）、影像组学模型（Model^R）和临床模型（Model^C）的诊断效能。结果 Model^D在训练集和测试集中的AUC分别为0.914和0.842,优于Model^C（训练集：P<0.001;测试集：P=0.032）和Model^R（训练集：P<0.001;测试集：P=0.044）。Model^Com在训练集和测试集中的AUC分别为0.951和0.881,在训练集中优于Model^D（P=0.012）,在测试集中差异无统计学意义（P=0.157）。校准曲线显示出了Model^Com具有良好的拟合优度（hosmer-lemeshow test,训练集P=0.402,测试集P=0.689）。决策曲线分析提示Model^Com鉴别MVI阳性和MVI阴性的净获益高于其他模型。结论 CNN为基础的混合模型够准确预测HCC的MVI状态。

关键词

肝肿瘤 / 卷积神经网络 / 影像组学