基于灰阶超声的机器学习模型用于诊断≤3cm肝细胞肝癌

基于灰阶超声的机器学习模型用于诊断≤3cm肝细胞肝癌

近日，由解放军总医院介入超声科梁萍教授、于杰教授牵头，与云南省肿瘤医院张国君教授团队合作，在eClinicalMedicine发表了一篇重要研究论文，开发了一种基于肝脏灰阶超声和机器学习算法的诊断模型，用于≤3cm肝细胞肝癌（小肝癌）的精准诊断。

≤3cm的肝细胞肝癌在临床上定义为小肝癌，其在临床上治疗效果好，早期发现和治疗能够较中晚期肝癌显著减少复发，改善预后。目前小肝癌在临床上的影像诊断依赖增强影像检查（增强MRI、增强CT和超声造影）。灰阶超声作为肝脏疾病筛查的第一道防线，具有经济、无创、无辐射、实时和普及范围广的优点，但是灰阶超声因为缺乏血流灌注信息对肝细胞肝癌特别是小肝癌诊断的敏感性不足53%、且高度依靠医生经验，使得小肝癌患者容易在超声检查的第一道防线被漏诊、误诊或者依赖增强影像过度检查。为了解决以上临床痛点，解放军总医院梁萍、于杰教授带领团队历时7年规范化收集全国55个中心的1058例≤3cm肝脏结节的灰阶超声数据，与张国君教授团队合作开发了基于灰阶超声的小肝癌高精度智能诊断模型。

研究团队收集了肝脏结节的灰阶超声图像、超声报告和临床信息，提取超声图像中肝结节的影像组学特征，超声报告中的语义特征和临床特征。研究构建了8个机器学习模型，包括基于树模型的随机森林（RF）、极端随机树（ExtraTrees）、极端梯度提升（XGBoost）、和轻量梯度提升（LightGBM），基于距离模型的K近邻（KNN），基于线性模型的逻辑回归（LR），基于核方法模型的支持向量机（SVM）以及基于神经网络模型的多层感知机（MLP）。XGBoost凭借其高效的梯度提升框架和正则化技术取得了最佳的预测性能构建了最终针对小肝癌的诊断模型ModelURC。该诊断模型在外部验证队列中诊断准确率可达到85.9%，显著优于低年资（70.6%）和高年资超声医师（73.5%）。此外，在ModelURC的辅助下，低年资和高年资超声医师的诊断准确性分别提高了16.0%和14.0%，且低年资超声医师可获得与高年资超声医师相当的诊断效能。同时ModelURC在肿瘤≤2cm、2-3cm、HCC患病高风险（乙肝/肝硬化/既往HCC病史）和低风险人群中均具有稳定的性能表现。ModelURC 对服务器算力要求低可实现低成本运行，进一步可在超声设备中集成辅助医生诊断。

ModelURC通过有效整合灰阶超声图像、超声报告和临床信息，突破了灰阶超声缺乏血流灌注特征、规范性差的技术瓶颈，实现小肝癌的准确诊断，可辅助提高各年资超声医生的诊断能力，同时使低年资医师的诊断能力与高年资医师相当。ModelURC 的高精度小肝癌诊断能力、跨中心稳定性以及低算力需求使其在临床应用中具有巨大潜力。

该研究成果具有十分乐观的转化前景和价值，诊断模型可有效降低灰阶超声对医生经验的依赖，为肝脏小结节患者减少进一步进行MRI/CT诊断的费用和等待时间，推动灰阶超声的价值从肝脏筛查工具向精准无创诊断小肝癌的突破。由于灰阶超声的应用普及性，基层/偏远医疗机构也能够应用该模型及时诊断小肝癌，使患者获得与权威三甲医院高年资医生相当的出色医疗服务，同时促进肝癌治疗窗口前移，推动肝癌早诊早治。

该文章由厦门大学医学院博士研究生杜智铖和解放军总医院介入超声科医师范方莹为共同第一作者，梁萍、于杰、张国君教授为共同通讯作者完成。同时感谢55家参与医院超声科对超声及临床数据的贡献。