基于MRI的深度学习影像组学鉴别双表型肝细胞癌与肝细胞癌及肝内胆管癌:一项多中心研究
该多中心回顾性研究纳入4中心381例患者(138例HCC、122例DPHCC、121例ICC),基于增强MRI建立影像组学、深度迁移学习及融合模型,用于术前鉴别三种肝脏恶性肿瘤。融合模型(vgg19组合)表现最佳,内部测试集macro-AUC为0.990(95%CI 0.965-1.000),外部测试集为0.988(95%CI 0.964-1.000),作者认为融合模型诊断准确性更高,具有临床应用价值。
要点
- 融合模型在内部和外部测试集macro-AUC分别达0.990和0.988,优于单纯影像组学及深度迁移学习模型。
- vgg19组合模型在深度迁移学习模型中诊断准确性较好,融合后进一步提升鉴别能力。
- DPHCC为HCC亚型,形态学类似HCC但共表达HCC与ICC标志物,术前鉴别困难。
核心结论
- 影像组学和深度迁移学习模型均能在术前区分DPHCC与HCC及ICC,融合模型诊断准确性更高,作者认为具有重要临床应用价值。
研究设计与样本
- 回顾性多中心研究,纳入4个中心381例患者(138例HCC、122例DPHCC、121例ICC),其中中心1和2共306例按8:2分层随机分为训练集244例和内部测试集62例,中心3和4共75例作为外部测试集。
- 采用Siemens Magnetom Skyra 3.0-T、GE Medical Systems 3.0-T、Philips Medical Systems 3.0-T MRI及16通道腹部线圈行增强MRI检查,以病理和免疫组化为参考标准。
关键影像表现/征象
- Grad-CAM热图显示肿瘤内部低回声区域对鉴别肝脏恶性肿瘤有价值,可解释深度迁移学习模型的判别依据。
诊断标准与关键数值
- DPHCC病理诊断需满足:HCC组织学形态按WHO标准;至少一种肝细胞标志物(HepPar-1或Glypican-3)在超过15%肿瘤细胞中强阳性且主要呈弥漫分布;至少一种胆管细胞标志物(CK19或CK7)在超过15%肿瘤细胞中强阳性。
- 组合影像组学模型在训练集、内部测试集和外部测试集的macro-AUC(95%CI)分别为0.976(0.954-0.994)、0.909(0.812-0.979)、0.940(0.857-0.996),准确率分别为0.878、0.754、0.797,F1分数分别为0.881、0.759、0.799。
- vgg19组合深度迁移学习模型在训练集、内部测试集和外部测试集的macro-AUC(95%CI)分别为0.999(0.996-1.000)、0.982(0.954-1.000)、0.934(0.863-0.986),准确率分别为0.960、0.920、0.828,F1分数分别为0.958、0.921、0.829。
- Fusion-vgg19组合模型在训练集、内部测试集和外部测试集的macro-AUC(95%CI)分别为1.000(1.000-1.000)、0.990(0.965-1.000)、0.988(0.964-1.000),准确率分别为0.984、0.935、0.875,F1分数分别为0.983、0.937、0.885。
临床应用与阅片要点
- 作者认为基于增强MRI的影像组学和深度迁移学习融合模型可在术前辅助鉴别DPHCC、HCC和ICC,有助于临床决策和靶向治疗。
局限性
- 原文未报告局限性。
全文中译15 节 · 点击展开
引言
世界卫生组织(WHO)将原发性肝癌分为三种主要类型:肝细胞癌(HCC)、肝内胆管癌(ICC)以及混合型肝细胞-胆管癌(cHCC-CC)。HCC是最常见的类型,占原发性肝癌的75–85%,在癌症相关死亡方面位居全球第三。ICC是第二常见的原发性肝癌类型,占所有病例的10–15%[1]。WHO将cHCC-CC定义为单个结节中同时存在经典HCC和ICC成分,且两种肿瘤成分之间存在移行区或中间区[2]。
与cHCC-CC不同,双表型肝细胞癌(DPHCC)是HCC的一种亚型,具有典型的HCC形态学特征,但其15%的细胞强烈共表达HCC标志物(HepPar-1、Glypican-3)和ICC标志物(CK19、CK7)[3]。由于兼具HCC和ICC的双重生物学行为,DPHCC于2011年首次被讨论。DPHCC具有高度侵袭性、增殖性和迁移性,约占所有HCC病例的10%[3]。CK19被认为是癌症干细胞(CSCs)的标志物,其阳性表达是DPHCC的典型特征[4]。CK19+和CK19− HCC对不同化疗药物的反应差异很大,CK19+ HCC已被证实对化疗耐药,如5-氟尿嘧啶和多柔比星[5–7]。与non-DPHCC患者相比,无包膜肿瘤和边缘不规则肿瘤在DPHCC患者中明显更为常见。在外科切除过程中,DPHCC患者通常需要更宽的手术切缘以确保充分清除,而对于包膜不完整的DPHCC患者,射频消融(RFA)的疗效与包膜完整者相比也可能受到影响[8, 9]。此外,研究表明CK19阳性HCC与射频消融后更高的复发率相关[10]。根据2019年WHO肿瘤分类,CK19阳性HCC对常规经动脉化疗栓塞(cTACE)表现出显著更强的耐药性,有证据表明CK19阳性HCC患者对cTACE的治疗反应较差[11]。因此,术前诊断和个体化治疗至关重要。然而,在缺乏组织病理学和免疫组织化学的情况下,这三种类型的临床鉴别诊断极为困难,术前误诊可能误导治疗决策。近年来,研究人员尝试通过将MRI影像特征与临床实验室特征相结合来诊断DPHCC[9, 12]。
放射组学基于定量图像描述,利用数学定量特征对肿瘤的形态学外观或影像表型进行量化[13, 14]。放射科医生发现评估这类定量数据具有挑战性,但复杂的计算机程序可以对其进行计算。自2012年Lambin等人使其广为人知以来,它经常被用作评估肿瘤异质性的技术,以建立与临床或生物学数据的相关性[15–17]。
深度学习(DL)是机器学习的一个分支,包括变换器(transformer)和卷积神经网络(CNN)。视觉变换器(ViT)是变换器的一种类型,在许多医学研究中显示出最先进的性能[18, 19]。CNN也是图像处理应用中广泛使用的深度学习方法[20, 21]。CNN是一种强大的非线性方法,能够自动学习和提取数据的层次结构特征[22, 23]。Vgg19是一个具有19层的深度神经网络。它统一使用小的3×3卷积滤波器。GoogLeNet引入了 inception 模块,具有多个并行路径以捕获不同尺度的信息。该设计旨在防止过拟合并提高计算效率。Inception_v3代表了GoogLeNet的进化,改进了inception模块并引入了因子化卷积。它在模型复杂性和计算效率之间取得了平衡。深度学习技术越来越多地应用于医学影像,以解决各种分割或分类任务[24, 25]。Jiang等人报道了基于MRI的ViT模型可以预测直肠癌患者的生存率[26]。Oestmann PM等人报道了CNN深度学习方法能够在多期对比增强MRI(CE-MRI)上区分HCC和非HCC病变[27]。然而,缺乏一种基于自动机器学习的诊断模型用于术前区分DPHCC、HCC和ICC。
获取大量医学图像是一项挑战。因此,利用预训练模型如深度迁移学习(DTL)可以增强模型的泛化能力,特别是在面对有限的训练数据集时。近年来,DTL已逐渐应用于各种医学图像分析领域[28–30]。在本研究中,我们开发并验证了基于ViT、vgg19、googlenet和inception_v3架构的DTL模型,以区分DPHCC与HCC和ICC。我们将DTL模型的诊断效能与放射组学模型进行了比较。此外,我们使用DTL和放射组学特征建立了融合模型,并评估了其预测性能。
材料和方法
患者
机构伦理审查委员会批准了这项回顾性研究(伦理批准号:2021331),并豁免了书面知情同意的要求。本研究连续纳入2016年1月至2022年10月在苏州大学附属第一医院(中心1)、南通大学附属南通第三医院(中心2)、唐山市人民医院(中心3)和太仓市第一人民医院(中心4)接受CE-MRI检查的患者。纳入标准:(1)术前15天内接受CE-MRI检查;(2)经病理证实为DPHCC、HCC和ICC。排除标准:(1)接受过术前抗肿瘤治疗;(2)未接受手术治疗;(3)临床或病理信息不完整;(4)肝脏内存在另一种肿瘤。本研究共纳入381例患者(男267例,女114例,平均年龄61岁,范围30–85岁),其中HCC 138例、DPHCC 122例、ICC 121例。收集临床数据和术前常规实验室检查结果,包括年龄、性别、病毒性肝炎状态、肝硬化、甲胎蛋白(AFP)、天冬氨酸氨基转移酶(AST)、丙氨酸氨基转移酶(ALT)、γ-谷氨酰转移酶(GGT)、Child-Pugh分级、最大肿瘤直径和肿瘤数目。中心1和中心2的患者通过分层随机抽样按8:2的比例分为训练集和内部测试集,中心3和中心4的患者作为独立外部测试集。本研究的患者纳入和排除流程图见图1。
组织病理学和免疫组织化学
DPHCC的病理诊断需要满足以下所有标准。(1)根据WHO定义的形态学标准,组织学诊断为HCC。(2)免疫组织化学结果显示,至少一种肝细胞标志物(如HepPar-1或Glypican-3)在超过15%的肿瘤细胞中呈强阳性,且主要呈弥漫分布。(3)至少一种胆管细胞标志物(如CK19或CK7)在超过15%的肿瘤细胞中呈强阳性。病理评估由两名病理科医师(M.Z.D.,读者1,具有10年以上病理学经验;L.C.G.,读者2,具有15年以上病理学经验)独立进行定性评估。
CE-MRI图像采集
来自四个中心的CE-MRI图像分别使用Siemens Magnetom Skyra 3.0-T MRI(Siemens,德国)、GE Medical Systems 3.0-T MRI(GE,美国)、Philips Medical Systems 3.0-T MRI(Philips,荷兰)成像系统和16通道腹部线圈采集。CE-MRI扫描的详细序列和参数见补充材料1。
影像组学模型开发
将381例患者的动脉期(AP)和门静脉期(PP)CE-MRI图像(来自不同机器、采用不同成像方案采集)归一化至0-255,并进行直方图均衡化。随后将图像导入公开可用的ITK-SNAP软件(版本4.0.0,www.itksnap.org)。两名放射科医师(Q.W.和Y.Y.)分别具有5年和10年专业经验,在具有20年肝癌专业经验的委员会认证专科医师(C.H.)监督下手动分割感兴趣体积(VOI)。
使用“PyRadiomics”Python软件包(http://www.radiomics.io/pyradiomics.html)从VOI中提取影像组学特征。影像组学特征分别从原始图像和预处理图像中使用小波和拉普拉斯高斯(LoG)滤波器(sigma = 2.0、3.0、4.0和5.0)导出。特征提取在重采样至体素尺寸为1 × 1 × 1 mm³的图像上进行,离散化强度箱宽度为5。分别从AP和PP的VOI中提取了1781个影像组学特征,包括一阶统计、形状和纹理特征。纹理特征使用灰度共生矩阵、灰度游程长度矩阵、灰度尺寸区域矩阵、灰度依赖矩阵和邻域灰度差矩阵计算。经Z-score归一化后,应用最小绝对收缩和选择算子(LASSO)进行特征降维和特征选择(图S1)。使用五折交叉验证选择惩罚参数lambda(λ)的值,使模型最稀疏的同时保持在最小损失的一个标准误范围内。最后,我们开发了AP、PP和联合(AP + PP)影像组学模型,并比较了不同分类器(包括支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)和决策树(DT))在鉴别DPHCC与HCC和ICC中的性能。影像组学模型的鉴别诊断效率通过受试者工作特征(ROC)曲线下面积(AUC)和混淆矩阵评估。
深度学习模型开发
从381例患者的CE-MRI图像中提取全面的2D信号强度信息。通过计算3D VOI每一层中非零像素的面积,并结合相邻上下四层MRI切片,确定2D MAX-ROI平面,确保从肿瘤中全面提取信号强度。自动选择肿瘤面积最大的轴位切片作为“最大感兴趣区域(Max-ROI)”切片,另外四幅图像从Max-ROI图像中提取,分别来自上方2层(+2)、上方1层(+1)、下方1层(−1)和下方2层(−2)。我们仔细确认了所选相邻上下切片均包含肿瘤组织。将五幅图像的肿瘤区域精确裁剪至最小外接矩形图像,每个实例保存为独立图像以供后续特征提取。分别从每例患者的AP和PP CE-MRI图像中提取五幅2D图像。最终,从381例患者获得了3810幅裁剪后的2D图像。
ViT模型和CNN模型(包括vgg19、googlenet和inception_v3)在ImageNet数据集上进行预训练以用于深度迁移学习(DTL)。DTL特征从预训练DTL模型的倒数第二层提取。最后,对于每张二维图像,分别从微调后的四个模型(ViT、vgg19、googlenet和inception_v3)的倒数第二层提取1024、4096、1024和2048个DTL特征。所有分割、预训练和DTL特征提取均在Windows 11系统下的一块NVIDIA Quadro RTX 3060Ti 8GB GPU上完成。同样,采用Z分数和LASSO实现特征归一化和筛选。使用“PyTorch1.8.1”框架构建了12个DLT模型(ViT-AP、ViT-PP、ViT-combined、vgg19-AP、vgg19-PP、vgg19-combined、googlenet-AP、googlenet-PP、googlenet-combined、inception_v3-AP、inception_v3-PP和inception_v3-combined模型)。通过ROC曲线和混淆矩阵比较包括SVM、LR、RF和DT在内的各种分类器的性能,以确定最优分类器。
我们融合了影像组学和深度学习特征,开发了12个融合模型:Fusion-ViT-AP、Fusion-ViT-PP、Fusion-ViT-combined、Fusion-vgg19-AP、Fusion-vgg19-PP、Fusion-vgg19-combined、Fusion-googlenet-AP、Fusion-googlenet-PP、Fusion-googlenet-combined、Fusion-inception_v3-AP、Fusion-inception_v3-PP和Fusion-inception_v3-combined模型。基于ROC曲线和混淆矩阵进行不同分类器的选择及鉴别诊断效能的评估。模型工作流程如图2所示。
统计分析
统计分析使用R软件(版本4.1.0,https://www.r-project.org/)进行。为评估特征提取的观察者间一致性,对由两名放射科医师勾画的30例随机选取病例进行组间相关系数分析。两周后,其中一名放射科医师对30例病例重复分割以评估组内相关系数(ICC)。组间相关系数或ICC大于0.8被视为高稳定性特征。一致性水平分为低(ICC < 0.5)、中等(ICC在0.5至< 0.8之间)和高(ICC ≥ 0.8)。其余病例由更有经验的放射科医师勾画。LASSO回归、SVM、LR、RF和DT分类器、混淆矩阵及ROC曲线分析通过“sklearn”Python包进行。DTL模型使用“PyTorch 1.8.1”深度学习框架实现。预测性能使用准确率、微观AUC、宏观AUC、精确率、召回率、F1分数和混淆矩阵进行评估。分类变量通过卡方检验比较,定量变量之间的比较使用单因素方差分析或Kruskal-Wallis检验。三种恶性肝脏肿瘤示例的鉴别诊断通过Python使用梯度加权类激活映射(Grad-CAM)热图进行可视化。此外,相关性使用Spearman秩相关检验评估。p < 0.05表示差异显著。
结果
基线特征
按照8:2的比例,共306例患者(中心1和2)被随机分为训练集(n = 244,81例DPHCC;87例HCC;76例ICC)(图3),包括179例男性和65例女性,中位年龄60岁,以及内部测试集(n = 62,21例DPHCC;21例HCC;20例ICC),包括43例男性和19例女性,中位年龄62岁。来自中心3和4的患者作为外部测试集(n = 75,30例HCC、20例DPHCC和25例ICC),包括45例男性和30例女性,中位年龄63岁。
患者招募流程见图1。在训练集中,年龄、性别、AST、AFP、HBV、肝硬化和直径存在显著差异(均p < 0.05)。在内部测试集中,年龄、性别、AFP、GGT、HBV和肝硬化显示显著差异(均p < 0.05)。在外部测试集中,年龄、性别、AFP、GGT、HBV、肝硬化和直径显示显著差异(均p < 0.05)。381例患者的详细临床特征见表1。
影像组学模型构建
分别提取了1781个AP和PP影像组学特征。两位放射科医生在VOI勾画上的平均组内相关系数为0.85,平均ICC为0.88,表明特征提取具有令人满意的可重复性。影像组学特征的选择和降维见图S1。内部和外部测试集鉴别DPHCC与HCC及ICC的混淆矩阵和ROC曲线结果见图4。联合影像组学模型具有更好的预测性能。联合影像组学模型的宏AUC(95% CI)、准确率和F1分数在训练集中分别为0.976(0.954–0.994)、0.878和0.881,在内部测试集中分别为0.909(0.812–0.979)、0.754和0.759,在外部测试集中分别为0.940(0.857–0.996)、0.797和0.799(表2)。
DTL模型构建与选择
为寻找最适合鉴别DPHCC与HCC及ICC的模型,我们分别使用AP、PP和联合DTL特征开发了12种DTL模型,并比较了其诊断性能。vgg19-联合模型显示出更好的诊断准确率。vgg19-联合模型的宏AUC(95% CI)、准确率和F1分数在训练集中分别为0.999(0.996–1.000)、0.960和0.958,在内部测试集中分别为0.982(0.954–1.000)、0.920和0.921,在外部测试集中分别为0.934(0.863–0.986)、0.828和0.829(图S2–S5和表3)。
融合模型构建
为进一步提高预测能力,我们构建了融合影像组学特征和DTL特征的融合模型。经过特征选择和融合后,去除了相关系数> 0.9的特征。Fusion-AP和Fusion-PP模型在内部和外部测试集中的混淆矩阵和ROC曲线见图S6和S7。Fusion-vgg19-AP模型显示出更好的诊断准确率。Fusion-AP和Fusion-PP模型的具体细节见表S1。此外,我们构建了Fusion-联合模型以提高诊断准确率。Fusion-ViT-联合模型和Fusion-vgg19-联合模型的诊断性能优于其他模型,尤其是Fusion-vgg19-联合模型。不同Fusion-联合模型的混淆矩阵和ROC曲线见图5。Fusion-vgg19-联合模型的诊断准确率和F1分数在内部测试集中分别> 0.90,在外部测试集中分别> 0.85。对于Fusion-vgg19-联合模型,宏AUC(95% CI)、准确率和F1分数在训练集中分别为1.000(1.000–1.000)、0.984和0.983,在内部测试集中分别为0.990(0.965–1.000)、0.935和0.937,在外部测试集中分别为0.988(0.964–1.000)、0.875和0.885。融合联合模型的具体细节见表4。
DTL网络可视化
通过Grad-CAM热图对DTL网络进行可视化。vgg19、googlenet和inception_v3模型最后一层卷积层生成的特征热图在图6中展示。针对视觉可感知肿瘤区域的Grad-CAM热图捕获了大部分图像细节。迁移学习在特征提取中的可靠性在一定程度上得到确认。将三个网络的输出进行可视化有助于理解DTL模型为何能够正确区分DPHCC与HCC和ICC。
讨论
本文提出开发并验证了基于CE-MRI的影像组学和DTL模型,用于区分HCC、DPHCC和ICC。术前识别这三种恶性肝肿瘤对于指导靶向治疗和干预至关重要。我们的结果包括四个中心的381例患者。除单一模型外,我们建立了多期融合模型以增强诊断性能。此外,我们评估了对HCC、DPHCC和ICC各自的诊断精确度,这可以进一步证明模型预测的稳定性和优越性。
随着肝脏恶性肿瘤诊断和治疗趋势的不断变化,各类肝脏肿瘤的治疗方案各不相同[31]。近年来,肿瘤在生物学和基因组特征方面的异质性已成为癌症研究的重要课题[32–34]。双表型肝细胞癌(DPHCC)是肝细胞癌(HCC)的一种亚型,形态学上与HCC相似,但能够共表达HCC和肝内胆管癌(ICC)的标志物,反映了肿瘤的组织病理学异质性[35–37]。然而,临床医生无法通过肉眼基于MRI对三种肝脏恶性肿瘤进行鉴别诊断。Dong等和Wiesinger等利用超声造影(CEUS)和MRI特征对HCC与ICC进行术前鉴别诊断[38, 39]。Gu等采用实验室和临床指标结合MRI影像特征对DPHCC与HCC以及DPHCC与ICC进行鉴别诊断。然而,迄今为止,尚缺乏用于这三种肝脏恶性肿瘤术前鉴别的自动化机器学习模型[9]。因此,开发一种无创的自动化预测模型来鉴别诊断不同肝脏恶性肿瘤具有重要价值,有助于临床医生制定更个性化的治疗建议,并帮助患者做出更好的治疗决策。
近年来,随着人工智能的引入,一些近期研究表明机器学习可以很好地应用于医学领域,它能够通过超声、CT、MRI等辅助医生进行术前疾病预测并识别不同的疾病亚型[40, 41]。Yu等报道放射组学机器学习模型在预测肝细胞癌中包裹肿瘤簇的血管方面表现出较高的预测准确性和稳定性[42]。Yun Bian等提取MRI图像并开发了一种深度学习AI模型来预测胰腺癌的淋巴结转移[43]。研究还表明,深度学习模型在识别肝脏恶性肿瘤方面具有良好的预测效能,能够区分HCC、ICC和转移性肝细胞癌[44],但目前尚无关于区分DPHCC、HCC和ICC的报道。
因此,我们建立并验证了基于动脉期和门静脉期CE-MRI的影像组学和DTL模型,用于鉴别DPHCC、HCC和ICC。值得注意的是,影像组学和深度学习技术的优势不仅在于数据易于获取,还在于对患者无创[33, 34]。在DL模型中,神经网络存在过拟合问题,尤其是当训练集使用的样本数量较小时,训练集上的AUC表现良好,但测试集数据的泛化能力较差。为解决这一问题,最大化训练和测试样本的规模非常重要。与以往的深度学习模型不同,我们对来自四个中心的最终纳入的381例患者的AP和PP期CE-MRI图像进行了分割,除分割最大ROI层面外,还分割了图像的n+1、n+2、n−1和n−2层面,这在更大程度上保留了恶性肿瘤的异质性。同时,每张3D CE-MRI图像获取了5张2D图像,最终381例患者能够获得3810张2D图像。从每张2D图像中提取DTL特征,然后对提取的特征进行均一化处理,之后构建DTL模型。与CNN模型相比,ViT的本质特征是其直接的全局关系建模,这增大了图像的感知区域以获取更多上下文信息,这也是许多研究者从CNN转向ViT的原因,且ViT的自注意力机制能够以稳健的全局关系建模为特征。一些研究表明,与CNN模型相比,ViT模型具有更好的泛化能力和预测性能[26, 45]。然而,在我们的研究中,vgg19模型在大多数情况下优于其他模型,包括ViT模型,显示出优越的判别能力和临床应用前景。特别是在外部测试集中,vgg19联合模型达到了AUC 0.934(95% CI:0.863–0.986)、准确率0.828和F1分数0.829,相比之下,ViT联合模型的AUC为0.679(95% CI:0.525–0.808)、准确率0.516和F1分数0.738。这在一定程度上可能是由于样本量较小。ViT模型使用自注意力机制处理图像,这可能需要更多数据来学习有效的图像表征。相比之下,CNN模型具有卷积层,擅长捕捉局部特征,有助于从小样本中学习。vgg19模型的训练集、内部测试集和外部测试集的诊断准确率均超过0.75。为进一步提高模型的预测准确性,我们结合了AP期和PP期的图像,并将DTL特征与影像组学特征融合以构建融合模型。融合模型的优势在于其保留了肿瘤组织影像组学特征的空间异质性信息,同时增加了DTL特征的高通量特性。融合模型充分利用了不同层次的特征,增强了模型对图像的理解。在比较融合模型时,Fusion-vgg19联合模型在训练集、内部测试集和外部测试集中的准确率、精确率、召回率和F1分数均> 0.85,显示出最佳的诊断效能。
本研究存在若干局限性。首先,这是一项回顾性研究,需要前瞻性研究加以验证。其次,包含影像组学和DTL特征的融合模型显示出更好的预测性能,但这些特征在生物学意义上的可解释性较差。未来,我们希望进一步结合遗传和转录组特征,并结合患者病理图像的分割构建综合模型,以更好地提高模型的稳定性和可解释性。
结论
在本研究中,影像组学和DTL模型被用于有效区分三种不同类型的肝脏恶性肿瘤,其中vgg19模型在大多数情况下表现出更优的诊断性能。DTL特征与影像组学特征的融合进一步提高了模型诊断的稳定性和准确性,表明构建多模态融合模型用于疾病诊断和鉴别诊断制定是一条更有价值的路径。
补充信息
电子补充材料
引用
- Wu Q, Zhang T, Xu F, et al. MRI-based deep learning radiomics to differentiate dual-phenotype hepatocellular carcinoma from HCC and intrahepatic cholangiocarcinoma: a multicenter study. Insights Imaging. 2025. PMID: 39881111. doi:10.1186/s13244-025-01904-y
- 全文:PMC11780023(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11780023/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。