在肝细胞癌微血管浸润的预测基于术前MRI Gd-EOB-DTPA-enhanced: 2 d之间的预测性能进行比较,2 d-expansion和3 d深度学习模型

1介绍

肝细胞癌(HCC)是最常见的肝脏原发性恶性肿瘤(1)。手术是目前被认为对肝细胞癌患者的主要治疗手段,但术后复发和转移仍然紧迫的挑战。有许多因素影响肝细胞癌术后复发的风险,其中微血管浸润(本研究)是一种行之有效的肝癌手术切除后复发的独立危险因素或肝移植(2- - - - - -4)。微血管浸润(本研究)是一个嵌套的质量癌症细胞腔内衬血管的内皮细胞,可以观察到显微镜(5)。它通常是指影响血管直径小于300μm,主要在小树枝门静脉内paracancerous组织,肿瘤侵犯的一个标志。几项研究(6- - - - - -8)表明,在MVI-positive患者,肝切除术与延长手术消除微转移利润可以显著提高患者的生存。因为本研究只能由术后病理诊断,术前预测本研究尤为重要,将有助于临床医生为肝癌选择个体化的治疗方案,从而降低其早期复发率在某种程度上。

许多先前的研究预测HCC的微血管浸润的发生基于临床特点及术前传统HCC患者的影像学表现。这些评估指标包括相关的实验室测试结果,如α胎蛋白(法新社)和总胆红素(治疗组)。成像信号包括肿瘤大小,数量,边缘,胶囊,瘤旁增强,肿瘤前期hypointensity在肝胆的阶段,等。一些评价指标被认为有助于本研究的术前预测(9- - - - - -11)。然而,一些传统的成像信号的评估往往依赖于个人经验的放射学家和不可避免的受到错误,因此从不同的研究结论往往是不一致的。

最近,人工智能(AI),主要由具有学习算法(NDLAs)和深度学习算法(国防后勤局),已广泛应用于医学领域。目前,radiomics基于具有学习算法被认为是有效的在预测本研究的高通量提取大量的定量成像特性建模(12)。然而,手工特征提取是复杂和耗时,使用不同的建模方法和机器学习模型构建缺乏稳定和一致的解释(13)。相比具有学习算法(NDLAs),深入学习算法(国防后勤局)能够直接从图像学特性,而不是使用人为定义的特性基于人类经验(14- - - - - -16)。最近,王et al。(17)熔深特性提取multib-value醉酒驾车和ADC图像构造深度学习模型,为本研究的预测显示出更好的性能。尽管一些研究人员开始使用深度学习算法来构建模型预测肝癌的发生本研究,模型的尺寸由不同的人员不同。我们所知,没有研究比较本研究的预测性能的差异在肝癌2 d和3 d深度学习模型基于gadoxetic酸disodium-enhanced MRI。因此,在这项研究中,我们构造深度学习模型与不同维度预测HCC的发生本研究初步探索不同模型之间的预测性能的差异。

2材料和方法

2.1研究人群

这项回顾性研究是我们机构审查委员会批准。知情同意是放弃。包括病人的所有标识信息删除。病人被发现通过搜索电子医院信息系统数据库在我们医院从2016年6月到2021年6月。人口和病理数据收集电子医疗记录。最后,共有233名肝癌患者回顾性选择本研究根据下面的纳入和排除标准。入选标准是:(1)组织学证实患者手术切除后肝细胞癌;(2)患者的组织病理学确认本研究状况;(3)术前Gd-EOB-DTPA-enhanced MRI进行手术前两周内。排除标准如下:(1)患者以往任何抗肿瘤治疗,包括动脉化疗和射频消融术; (2) patients with unequivocal macrovascular invasion or metastasis; (3) MR images with poor quality (a low signal-to-noise ratio) that would affect the delineation of the region of interest (ROI).

2.2图像采集先生

通用电气标记HDx 3.0 t磁共振扫描仪摘要身体相控阵线圈用于扫描的隔膜的下缘肝脏。核磁共振对比增强考试的造影剂钆ethoxybenzyl二乙三胺五乙酸(Gd-EOB-DTPA,拜耳先灵葆雅制药公司,德国)。肝脏体积加速度(肝脏体积加速度的收购,熔岩)序列3 d体积扫描(TR 2.6女士TE 1.2 ms)是应用,和biarterial阶段的连续采集图像开始15秒注入造影剂后,45 s门户阶段图像,180年代对均衡器相图像,图像和20分钟肝胆的阶段。造影剂的剂量为0.1毫升/公斤,和注射流率为1.0毫升/秒,快速推动肘静脉。

2.3开发DL模型

DL的架构模型所示图1。我们采用了ResNet18卷积神经网络(CNN)的主要分支DL建模。肝胆的阶段(HBP)被选为输入原始图像,图像和肝胆的ROI是由手工分割图像。图像是由放射科医生有5年经验的评估监督下腹部成像的一个高级副主任医师。输入ROI是描述使用达尔文的科学研究平台(北京嘉兴智能科技有限公司,中国)有三个技术:一个三维的描述方法,在每个列出的ROI是手动轴向片肝胆的阶段图像覆盖整个肿瘤,肿瘤边缘的和一个二维的描述方法是完全列出在包含最大的肿瘤直径的切片。进一步探讨瘤内和瘤旁信息,我们使用了标准化图像形态学腐蚀和膨胀方法扩大ROI获得5毫米的描述方法。这就是我们所说的二维扩展描述方法。值得注意的是,市场细分应该丢弃当扩大面积超过肝脏或图像边缘。按照7:3的比例,样本分为训练集(N = 163)和验证组(N = 70)。下一步是标准化数据。 Data standardization means before the development of Deep Learning Models, the image was resampled (each voxel to 1×1×1 mm³),灰度值归一化使用达尔文的科学研究平台(北京嘉兴智能科技有限公司,中国)。最后,使用训练集训练深度学习模型和评价模型的预测性能(使用验证组)。

2.4统计分析

SPSS 22.0(美国芝加哥,IL)软件是用于统计分析。分类变量表示为数字或百分比。连续变量表示为均值±标准差,在分类和比较数据进行卡方测试。数值变量符合正态分布,独立学生t被使用,如果没有,Mann-Whitney测试使用。

等参数的总浮点运算(总失败)和帧每秒(FPS)在不同深度学习模型从达尔文获得科研平台(北京嘉兴智能科技有限公司,中国)。接受者操作特性曲线(ROC)分析被用来评估这三个模型的预测性能,计算曲线下的面积(AUC)、灵敏度、特异性和准确性。预测性能不同模型之间的差异而使用Delong测试。双边测试是用于所有统计测试,被认为具有统计显著性,P < 0.05。

3的结果

233名肝癌患者中,109例病态MVI-positive,包括91名男性和18个女性,平均年龄为58.20±10.17年;124例患者MVI-negative,包括93名男性和女性,31日平均年龄为58.26±10.20年。表1总结了人口特征对比MVI-positive和MVI-negative组。与病人没有本研究相比,本研究患者的肿瘤尺寸更大了。

2 d-dl模型,预测本AUC为0.81(95%可信区间(CI) 0.74 - -0.87)在训练集和0.65 (95% CI 0.52 - -0.78)在测试集。在训练集的准确性、敏感性和特异性分别为0.7301,0.785和0.679,分别。测试集的准确性、敏感性和特异性分别为0.6714,0.567和0.750,分别。2 d-expansion-dl模型,预测本AUC为0.82(95%可信区间(CI) 0.76 - -0.89)在训练集和0.70 (95% CI 0.57 - -0.82)在测试集。在训练集的准确性、敏感性和特异性分别为0.7716,0.835和0.690,分别。测试集的准确性、敏感性和特异性分别为0.7143,0.739和0.688,分别。3 d-dl模型,预测本AUC为0.77(95%可信区间(CI) 0.70 - -0.84)在训练集和0.72 (95% CI 0.60 - -0.84)在测试集。在训练集,的准确性、敏感性和特异性分别为0.7362,0.881和0.582,分别。测试集的准确性、敏感性和特异性分别为0.6714,0.800和0.575,分别为(表2)。德龙试验表明,2 d-dl模型和2的auc d-expansion-dl模型没有显著差异,P值为0.681 (> 0.05)。同样,2 d-dl模型和3的auc d-dl模型没有显著差异,P值为0.405 (> 0.05)(图2)。

总浮点运算(总失败)和帧每秒(FPS)在不同深度学习模型所示表3。FPS是一种常见的指标用来评估的速度模型,模型显示图片的数量,每秒可以处理。2的FPS d-dl模型(基于2 d-resnet)为244.7566,这是更大的比3 d-dl模型(73.3374)。

4讨论

微血管的术前评估入侵肝癌一直是医学成像领域的挑战性的区域。Myata et al。(18)报道,病人患有肝细胞癌微血管浸润有超过4倍增加肿瘤复发的风险。与普通钆造影剂相比,Gd-EOB-DTPA不仅能显示病变的血液供应也揭示了肝细胞功能(19)。肝胆的阶段的MRI增强扫描,周围肝实质显示了一个信号,因为造影剂的吸收增加。有机阴离子的表达多肽运输8 (OATP-8)在大多数肝癌过程中逐渐减少hepatocarcinogenesis;因此,肿瘤细胞不吸收的对比,显示低信号Gd-EOB-DTPA增强图像。目前,Gd-EOB-DTPA-enhanced MRI已应用于预测微血管浸润肝细胞癌由一些研究人员(20.),除了常规使用在肝细胞癌的影像学诊断。

建立大型医疗数据库和计算机硬件的发展,人工智能技术为代表的深度学习已经进入了医学影像诊断领域。通过识别和分类医学图像,可以发现成像特性,无法确定或由放射科医生忽略,尤其是深度学习模型基于卷积神经网络(cnn),显示性能优良的医学图像识别(21)。许多研究人员预测本在肝细胞癌的发生术前使用深度学习模型。代表的情况下,Zhang et al。(22)建立和验证四个3 d CNN-based基于MRI图像的深度学习模型预测肝细胞癌手术前的微血管浸润。融合模型结合T2WI, T2-SPIR和PVP图像实现更好的性能比单一的基于图像的模型在预测HCC患者的本研究的地位。魏J et al。(20.)开发的深度学习模型基于增强CT (CE-CT)和EOB-MRI术前评估本研究和前瞻性验证两个深度学习模型的有效性。结果表明,EOB-MRI-based深度学习模型比增强CT-based深度学习模型预测性能。然而,不同的群体选择不同分类网络建立模型,构造和模型的尺寸也不同。ResNet网络,作为主流深入学习网络,有一个直接连接通道的残余结构,可以跳过一个或多个层,和浅层中的信息可以直接输入到更深的层次。网络只需要学习之前的网络输出的残差,从而有效地避免问题的梯度爆炸和允许网络训练的深入。此外,汉et al。(23)还指出,深度学习CNN模型,如ResNet,当pretrained ImageNet数据集可以有利于医学图像的视觉识别任务。在此基础上,作者使用了ResNet18分类网络构建2 d、2 d-expansion, 3 d深度学习模型预测本在肝细胞癌和决定是否存在差异在不同的模型预测性能。

对于二维深度学习模型,预测本AUC为0.65 (95% CI 0.52 - -0.78)在测试集,略低于三维深度学习模型(0.72 (95% CI 0.6 - -0.84))。然而,德龙的AUC试验表明,两个模型没有明显不同,P值为0.405(> 0.05),也就是说,两个模型的预测效果的微血管浸润肝细胞癌没有明显不同。为什么3 d-dl模型,从理论上讲,它携带更多的信息关于肝癌病变,不表现出显著的优势与information-impaired 2 d-dl模型相比,预测本吗?在作者看来,获取三维数据的主要目的构造深度学习模型来捕获之间的梯度信息层形成的连续损伤跨越多个层从连续有效地结合总体信息层的损伤。然而,我们的数据集,层厚度沿z轴大(5毫米),和只能获得有限的上下文信息从z轴。对于这些数据,最大信息差异往往发生在一个平面上,轴面。此时,3 d-dl模型的优点,理论上有病变的更多信息,不明显比2 d-dl模型。进一步探讨瘤内和瘤旁信息,我们使用了标准化图像形态学腐蚀和膨胀方法描绘ROI和获得2 d-expansion深度学习模型。AUC和2 d-expansion-dl模型的敏感性高于2 d-dl模型和3 d-dl几乎是相同的模型。

此外,比较不同的深度学习模型之间的性能差异,我们不得不提到的运行速度模型。FPS是一种常见的指标用来评估的速度模型,模型显示图片的数量,每秒可以处理。因此,一个更大的FPS表明更快的处理和需要较少的计算和模型的执行时间。在我们的研究中,模型基于2的FPS d-resnet18分类网络为244.7566,这是更大的比3 d-resnet18模型(73.3374)。刘等人。24)表明,2 d-dl模型基于GPU ResNet18跑得快比3 d模型,和2 d-dl占据的内存模型是50%不到的3 d模型。也就是2 d-dl模型的效率高于3 d-dl模型。我们的研究结果与上述一致。此外,相关文献(25,26)表明,一个3 d-dl模型是大于2 d-dl模型,多个参数需要调整在构建三维深度学习模型,并运行三维深度学习模型更耗时,需要更多的训练数据和存储空间。从这个角度来看,在满足任务要求的前提下,2 d-dl模型规模小和更快的操作,有较低的硬件要求和更高的模型适用性。

总之,深度学习模型基于gadoxetate disodium-enhanced MRI具有一定价值预测肝细胞癌的微血管浸润。基于ResNet18分类网络,AUC和2 d-expansion-dl模型的灵敏度几乎相同的3 d-dl模型。考虑到建立一个2 d-expansion-dl模型是相对容易实现同时确保其预测性能,我们更喜欢2 d-expansion-dl模型在实际研究。

然而,目前的研究也有一些局限性。(1)本研究是一个单中心研究,和内部验证被用来评估模型的预测性能。晚些时候将开展多中心前瞻性研究,使用外部验证改进模型的预测性能。(2)只有Gd-EOB-MRI图像在预测的值在肝细胞癌微血管浸润调查,和临床特征和定性的预测价值没有考虑成像特性。因为这并不是这项研究的重点,进一步整合的临床和传统的成像特性将被用来构造一个模型在未来的研究。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

作者的贡献

TW, ZL WF和XZ设计研究。HY, CD, LC, FL,詹、YZ、霍奇金淋巴瘤进行了统计分析。CD, YZ, ZL起草图。TW和ZL起草了手稿。WF和XZ监督这项研究。所有作者的文章和批准提交的版本。

资金

作者收到青岛大学附属医院的支持(QDFY + X202101017)提交工作。

确认

作者想感谢研究参与者的贡献。作者和参与者同意进行数据共享。

的利益冲突

作者LC,客户至上,HL受雇于嘉兴医学人工智能有限公司有限公司

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用