摘要
目的：利用对比增强CT（CECT）图像和临床参数，建立基于深度学习（DL）的分割和分类模型，同时预测肝细胞癌（HCC）的微血管侵犯（MVI）状态和肿瘤病理分化程度。 材料与方法：本回顾性研究纳入了2017年4月至2022年5月在两家医疗机构连续接受手术切除并经术后组织病理学诊断为HCC的640例患者。收集其CECT图像及相关临床检查参数。所有数据分为368个训练集、138个测试集和134个外部测试集。通过DL建立了用于获取肝脏感兴趣区（ROI）的分割模型和用于预测HCC病理状态的分类模型。 结果：基于3DU-Network的肝脏分割模型的平均mIoU评分为0.9120，Dice评分为0.9473。所有基于Swintransformer的分类预测模型均表现良好，其中结合图像信息和临床参数的融合模型表现最好。融合模型预测MVI状态的AUC值为0.941，准确率为0.917，特异性为0.908。融合模型预测肿瘤病理分化程度的准确率为0.874，kappa值为0.789。该模型预测低分化、中分化和高分化HCC在测试集中的AUC值分别为0.962、0.957和0.996。 结论：本研究通过结合患者临床数据和CECT图像信息，建立的基于深度学习的集图像分割和分类预测的多功能综合模型可以在术前有效预测HCC的MVI状态及肿瘤病理分化程度。
NETL