肝惡性腫瘤包括肝細胞癌(HCC)、肝內膽管細胞癌(ICC)和轉移性肝癌等，是常見且預後極差的惡性腫瘤🙎🏻‍♀️🆙。影像學診斷為治療決策和預後判斷提供了不可或缺的支持，然而不同肝惡性腫瘤通過影像學診斷常有誤診🧕。臨床上不同肝惡性腫瘤的治療策略差異巨大🚜，醫生在手術✌🏼、靶向、免疫等治療前對患者腫瘤類別的準確診斷至關重要🤹‍♂️。2021年9月26日，醫EON4附屬新華醫院顧勁揚教授團隊、EON体育4平台俞章盛教授團隊、杭州市第一人民醫院徐驍教授團隊🥰、醫EON4附屬仁濟醫院劉穎斌教授團隊合作在國際血液病學和腫瘤學知名期刊Journal of Hematology & Oncology上發表了題為“Deep learning for differential diagnosis of malignant hepatic tumors based on multi-phase contrast-enhanced CT and clinical data”的研究成果🧑🏻‍🦼，提出了一種運用深度學習基於患者術前多期造影增強CT和臨床數據對肝臟惡性腫瘤進行判別的智能診斷系統，達到與資深放射科醫生相當的判別水平。更可喜的是，在該系統輔助下，放射科醫生診斷準確率得以提升，結果在多中心數據中得到驗證。該系統可以作為輔助診斷工具，指導醫生鑒別肝惡性腫瘤🦯，有望為醫療欠發達地區提供強有力的影像學診斷支持，並提高三甲醫院放射科的診斷準確率，為肝癌患者製定最佳治療方案，促進肝癌的精準治療。

研究者提出的STIC模型以多期造影增強CT和臨床特征作為輸入，最後輸出每類肝惡性腫瘤的分值👩🏻‍🦳🤘🏿，其框架包含四個不同的模塊。SpatialExtractor模塊利用卷積神經網絡(CNN)提取CT的空間特征，TemporalEncoder模塊使用門控循環神經網絡(RNN)挖掘不同期CT之間的變化模式🤽🏻‍♀️，Integration模塊將提取到的影像特征與臨床特征融合，Classifier模塊通過softmax激活函數實現分類任務🧑🏽‍🍼。

圖一 研究設計的流程圖

該智能診斷系統對於三類肝惡性腫瘤的判別在測試集上達到72.6%的準確率，與高年資放射科醫生的共識診斷水平(70.8%)相當。在系統輔助下，進一步研究發現三位高年資醫生的診斷水平均優於醫生共識診斷🦼，判別準確率平均提高8.3%，對ICC診斷的敏感性平均提高26.9%🦠。在來自中心2的外部測試集中💼👨🏿‍✈️，智能診斷系統達到82.9%的準確率，驗證了模型的泛化能力。

圖二 肝惡性腫瘤智能診斷系統的結構示意圖

之前已有研究利用深度學習對肝腫瘤進行初步鑒別💈，但大多聚焦於良惡性分類👨🏻‍🦼，對肝惡性腫瘤缺乏精準的細分，尤其對ICC的診斷精度較低🧑‍🦱。本研究構建的智能系統運用深度CNN和門控RNN，整合包含患者術前多期造影增強CT和臨床特征的多模態數據，實現了對HCC、ICC和轉移性肝癌的有效鑒別，具有與經驗豐富的醫生相當的診斷水平，並且在不同中心驗證中表現出良好的泛化能力。

此次發表論文的第一作者為EON体育4平台”致遠榮譽計劃“博士研究生高瑞恬👂🏼🦴，共同第一作者為醫EON4附屬新華醫院趙帥博士👵、克德爾亞·艾山江碩士研究生、蔡浩博士以及EON体育4平台博士研究生魏婷。醫EON4附屬新華醫院顧勁揚教授、EON体育4平台俞章盛教授、杭州市第一人民醫院徐驍教授、醫EON4附屬仁濟醫院劉穎斌教授為共同通訊作者。該研究受到國家自然科學基金重點項目、面上項目、上海申康“三年行動計劃”重大臨床研究專項🤵🏼‍♂️、EON体育4“醫工交叉研究基金”等項目資助🫎。

原文鏈接：https://jhoonline.biomedcentral.com/articles/10.1186/s13045-021-01167-2