基于医学图像的深度学习用于检测肝细胞癌中微血管入侵的准确性:系统审查和元分析
1Department of Ultrasound, the Fourth Affiliated Hospital, China Medical University, Shenyang, China.
Journal of medical Internet research
|March 12, 2026
概括
深度学习模型显示,使用医学图像预测肝细胞癌 (HCC) 中的微血管入侵 (MVI). 增强对比度CT是一种强大的非侵入性选择,但对外验证对于临床使用至关重要.
科学领域:
- 肝细胞癌 (HCC) 研究研究
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
背景情况:
- 肝细胞癌 (HCC) 是癌症死亡的主要原因.
- 微血管侵袭 (MVI) 是HCC患者预后不佳和复发的关键预测因素.
- 深度学习 (DL) 显示出从医学图像中诊断MVI的潜力.
研究的目的:
- 用医疗图像系统评估DL模型的诊断性能,用于使用医疗图像在HCC中进行手术前MVI预测.
- 评估成像模式和验证策略对DL模型性能和通用性的影响.
主要方法:
- 对使用基于成像的DL用于HCC中MVI检测的研究进行元分析.
- 搜索了PubMed,科克兰图书馆,埃姆巴斯和科学网.
- 进行双变混合效应元分析,以计算聚合的灵敏度,特异性和SROC.
- 使用QUADAS-2工具进行质量评估.
- 根据成像模式和验证方法进行子组分析.
主要成果:
- 包括52项研究,涉及19,531名HCC患者.
- 整体DL模型性能:灵敏度为0.80,特异性为0.82,SROC为0.88.
- 与对比度增强的CT模型显示出高性能 (SROC 0.90).
- 病理部分DL模型实现了最高的性能 (SROC 0.92).
- 在外部验证 (SROC 0.85) 和内部验证 (SROC 0.90) 中,模型性能不那么一致.
结论:
- 基于成像的DL模型显示了MVI预测在HCC中的巨大潜力.
- 增强对比度CT是一种有前途的非侵入性方法.
- 严格的外部验证至关重要,以避免高估模型有效性.
- 未来的研究应该专注于前性,多中心研究,采用标准化报告和集成算法.
