基于深度学习的多模态IMCC分化程度预测

作     者：王琦 

作者单位：山东大学 

学位级别：硕士

导师姓名：刘强

授予年度：2023年

学科分类：1002[医学-临床医学] 100214[医学-肿瘤学] 10[医学] 

主      题：肝内胆管细胞癌 深度学习 人工智能 分化程度 MRI 

摘      要：研究背景肝内胆管细胞癌(Intrahepatic Cholangiocarcinoma,iCCA)是全球第二常见的肝脏原发性肿瘤,约占所有原发性肝癌的15%-20%,其中以肝内肿块型胆管细胞癌(Intrahepatic Mass-forming Cholangiocarcinoma,IMCC)最为常见,约占所有 iCCA 的 60%-65%。IMCC的治疗方法的选择非常有限,且治愈率低、复发率高。IMCC分化程度的准确预测对于临床治疗方案的选择和术后随诊周期的确定是非常重要的。随着人工智能(Artificial Intelligence,AI)领域的高速发展,基于深度学习(Deep Learning,DL)的算法已经被用于肿瘤病理的相关工作中,与影像学相结合建立模型,预测肿瘤的分化程度,提高诊断的准确性和客观性,早期提示临床,对于治疗的选择和提高病人的预后具有重要意义。研究目的通过深度学习技术,利用残差卷积神经网络(Residual Netwok,ResN et)和MRI图像相结合初步建立起人工智能模型,经过多测训练,采取5折交叉验证法,评价此模型对IMCC分化程度预测的价值。研究方法在探讨基于深度学习的多模态IMCC分化程度预测研究中,本研究共回顾性收集2017年5月至2022年8月于本院就诊的125例肝内肿块型胆管细胞癌患者的相关资料,得到术后病理后,依据病理结果将患者分为高中分化组69例、低分化组56例,以上所有患者均在术前进行常规肝脏MRI平扫及增强扫描。将上述患者的磁共振图像,包括DWI(b=800)序列、ADC序列、FS-T2WI序列、T1WI-vibe平扫及增强序列以DICOM格式导入Itk-snap v3.6软件中,并对肿瘤病灶感兴趣区(Region of Interest,ROI)进行勾勒,将分割及标记后的mask图像以.NTTFI的格式全部导出。选取其中4个序列作为单模态组:DWI(b=800)序列、ADC序列、FS-T2WI序列和T1WI动脉期序列;将上述5个序列分为三种多模态组:ADC+DWI+T2WI+T1WI 平扫+T1WI 增强组、ADC+DWI+T2WI+T1WI 平扫组、ADC+DWI组。基于3D-ResNet18模型进行图像二分类,用处理后的MRI图像作为模型的输入,分为训练集和测试集,经过多次训练,最终将训练好的模型对测试集中的数据进行IMCC分化程度预测,通过5折交叉验证法获得此预测模型的准确率、特异度及灵敏度。同时收集125例IMCC患者的一般临床资料:患者年龄、性别、有无肝炎、有无肝硬化;影像学资料:肿瘤形状、胆管有无扩张、肿瘤内有无液化坏死、包膜有无皱缩、肝内是否多发病灶、肿瘤强化模式、有无DWI靶征、有无T2WI靶征、有无肝胆特异期低信号环及低信号环是否完整;病理学资料:肿瘤分化程度、肿瘤最大直径、KI-67+(热点)、是否转移到周围淋巴结;血清学资料:癌胚抗原(CEA)、糖类抗原125(CA125)、糖类抗原199(CA199)、异常凝血酶原-Ⅱ(PIVKA-Ⅱ)。将上述数据导入SPSS 27.0软件,并对上述数据进行统计学方差分析及二元logistics回归分析,结果以0.05)。(2)二元logistics回归分析显示,KI-67+(热点≥ 50%)、强化模式(Ⅲ型/Ⅳ型/Ⅴ型)是低分化IMCC的主要预测因子。(3)基于 3D-ResNet18 构建的 AI 预测模型,ADC+DWI+T2WI+T1WI 平扫+T1WI增强组诊断效能最佳,平均准确率为0.7966±0.0069,特异度0.816,灵敏度0.776。结论(1)通过对IMCC患者临床资料、影像学资料及病理资料分析统计,KI-67+(热点≥50%)、强化模式(Ⅲ型/Ⅳ型/Ⅴ型)是低分化IMCC的主要预测因子。(2)基于3D-ResNet18模型可以构建关于预测IMCC分化程度的模型,并有效预测其分化程度,对于辅助临床治疗和提高病人的预后具有重要意义。