深度学习用于在动态对比增强MRI中自动检测肝细胞癌
Killian Monnin1,2, Patrick Jeltsch3, Lucia Fernandes-Mendes3
1University of Lausanne, Lausanne, Switzerland. killian.monnin@chuv.ch.
Abdominal radiology (New York)
|November 11, 2025
概括
一个深度学习模型在肝脏MRI扫描中检测肝细胞癌 (HCC) 的灵敏度达到80%,无论是患者还是病变水平. 这种人工智能工具有望改善风险人群的早期检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 是一个重要的全球健康问题.
- 早期和准确检测HCC对于有效的患者管理至关重要.
- 目前对HCC的诊断方法可能是资源密集的,可能有局限性.
研究的目的:
- 开发和评估用于自动化HCC检测的深度学习模型.
- 评估模型在患者和病变水平上的性能,使用T1加权的DCE肝脏MRI.
- 将模型的准确性与最先进的方法进行比较.
主要方法:
- 一个回顾性研究使用了两个队列:HCC监测和前消去患者.
- 一个注意力U-Net模型在大型公共CT和MRI肝病变数据集上进行了预训练.
- 该模型被训练为细分和检测HCC,使用灵敏度,特异性和AUC指标评估性能.
主要成果:
- 深度学习模型在患者水平上实现了83%的灵敏度和72%的特异性 (AUC 0.80).
- 在病变水平上,该模型表现出80%的灵敏度,平均每患者1个错误阳性 (FROC AUC 0.82).
- 开发的模型显著优于nnU-Netv2,实现了更高的FROC AUC (0.82比0.61,p<0.01).
结论:
- 深度学习细分网络,在广泛的数据集上进行预训练,可以实现HCC检测的高灵敏度.
- 开发的模型显示出在HCC的查和诊断中临床应用的巨大潜力.
- 这种人工智能驱动的方法可能会改善患有肝细胞癌风险的患者的工作流程.
