深度学习辅助的H-MR光谱学用于区分肝细胞癌和没有肝细胞癌的患者

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乙型肝炎病毒相关性肝硬化 (HBV-LC) 患者可能会根据肝细胞癌 (HCC) 的存在表现出明显的肝硬化.
• 质子MR光谱 (1H-MRS) 是一种非侵入性代谢学工具,但肝脏应用仅限于除脂质外检测少数代谢物.

研究的目的:

• 探索1H-MRS与深度学习相结合的潜力,以区分具有和没有HCC的HBV-LC患者.
• 评估卷积神经网络 (CNN) 在分析1H-MRS数据中对HCC检测的有效性.

主要方法:

• 在2018年8月至2021年3月期间,收集了37名HBV-LC患者的1H-MRS数据 (20名没有HCC,17名有HCC)
• 开发了两种类型的CNN:用于代谢物量化的qCNN和用于患者分类的cCNN,使用模拟的光谱数据集.
• 在单独的小组患者中评估了cCNN的表现.

主要成果:

• 对qCNNs的定量误差明显低于对代谢物和脂质的传统方法 (P ≤ 0.004).
• 在识别HBV-LC-HCC组时,cCNNs实现了100%的灵敏度,90%的特异性和94%的准确性.

结论:

• 深度学习辅助的1H-MRS,增强了用于数据增强的光谱模拟,在区分具有和没有HCC的HBV-LC患者方面显示出希望.
• 这种方法可能为HBV-LC患者的HCC监测提供一种非侵入性方法.