基于对比增强的MRI的可解释深度学习框架,用于预测肝细胞癌的组织学级
Wenjun Hu1, Xiuding Cai2,3, Ying Zhao1
1Department of Radiology, First Affiliated Hospital of Dalian Medical University, Dalian, China.
Quantitative imaging in medicine and surgery
|January 12, 2026
概括
一个可解释的深度学习模型 (iHCG-Net) 准确地预测了来自MRI扫描的肝细胞癌 (HCC) 分级. 这种人工智能工具提供了对预测的洞察力,优于传统方法,用于更好的手术前评估.
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:
- 组织病理学分级对于肝细胞癌 (HCC) 的预后至关重要.
- 对于HCC分级的深度学习模型 (DLM) 缺乏临床解释性.
- 需要可解释的DLM来从多相对比增强磁共振成像 (CEMRI) 中预测HCC等级.
研究的目的:
- 开发一个可解释的DLM (iHCG-Net) 用于手术前的HCC分级.
- 使用多相CEMRI预测HCC等级.
- 提高AI在HCC诊断中的临床适用性.
主要方法:
- 对370名HCC患者进行了手术前CEMRI的回顾性研究.
- 使用概念瓶模型 (CBM) 框架和DenseNet-121开发了iHCG-Net.
- 使用接收机操作特征 (ROC) 曲线分析和DeLong测试验证模型性能.
主要成果:
- 在iHCG-Net中,AUC为0.893 (培训) 和0.802 (验证).
- 性能优于传统的临床放射学和放射学模型 (P<0.05).
- 与非可解释的DLM具有增加可解释性的性能相比较.
结论:
- iHCG-Net显示出作为一种可解释的AI工具,用于手术前的HCC分级.
- 该模型有助于理解特征贡献,确定内动脉作为关键预测因素.
- 有助于改善HCC患者的手术前评估和治疗计划.
