基于MRI影像和临床参数特征融合的深度学习模型预测术前肝细胞癌的细胞角蛋白19状态

摘要

目的 探索并建立深度学习模型，验证MRI影像深度学习特征结合临床显著性特征在术前预测肝细胞癌（HCC）的细胞角蛋白19(CK19)状态上的可行性。方法 收集116例已证实CK19状态的HCC患者数据进行回顾性实验。基于增强MRI影像的肝胆期（HBP）和扩散加权成像（DWI）序列，以及统计学分析筛选的与CK19状态显著相关的临床参数特征，建立了单序列多尺度特征融合模型（MSFF-IResnet）和多尺度多模态特征融合模型（MMFF-IResnet）。通过模型间的分类性能对比评估，突出深度学习模型对于术前预测HCC的CK19状态的有效性。结果 多变量分析显示，升高的NLR值（P=0.029）和不完整的肿瘤包膜（P=0.028）是CK19表达的独立预测因子。多尺度特征融合和多模态特征融合方法改进后的深度学习模型均取得了优于传统机器学习模型和基线模型的分类结果，且最终的MMFF-IResnet表现出最佳的分类性能，其AUC为84.2%、准确度为80.6%，敏感度为80.1%，特异度为81.2%。结论 本研究建立的基于MRI影像和临床参数的多尺度和多模态特征融合模型成功预测了HCC的CK19状态，验证了深度学习方法结合MRI影像和临床参数在术前预测CK19状态上的可行性。

关键词

深度学习 / MRI影像 / 细胞角蛋白19 / 多尺度特征融合 / 多模态数据