人工智能在肝脏肿瘤影像诊断中的应用现状与未来展望
本综述概述人工智能在肝脏肿瘤影像中的应用,涵盖深度学习重建已广泛进入临床流程以提升图像质量并降低辐射剂量,病灶检测、肿瘤表征、分割与影像组学的研究进展,以及AI辅助诊断工具在肝脏影像中的临床整合仍落后于胸部影像的现状。
要点
- 深度学习重建已广泛整合进临床工作流程,可提升图像质量并降低CT辐射剂量。
- AI用于肝脏病灶检测与表征的临床整合仍慢于胸部影像,受肝脏对比度低、多期动态成像复杂等因素制约。
- AI自动分割肝脏与肿瘤可辅助术前评估与疗效评价,但伪影、解剖变形及巨大肿瘤可显著影响准确性。
核心结论
- AI在肝脏肿瘤影像中已用于图像重建、图像质量提升、病灶检测、肿瘤表征、分割和影像组学等多个方面,基于AI的图像重建已广泛整合进临床工作流程。
研究设计与样本
- 本文为综述,旨在探讨AI在肝脏肿瘤影像中应用的近期进展与前景,未报告系统检索范围与纳入文献数量。
关键影像表现/征象
- DLR通常产生噪声降低的图像,在腹部高分辨率CT中DLR较混合迭代重建和基于模型的迭代重建图像噪声显著更低、对比噪声比显著更高。
- 超高清CT血管成像使用DLR较标准分辨率能更清晰显示小肝动脉分支,有助于HCC经动脉化疗栓塞治疗计划的详细评估。
- AI软件(SAI Viewer)处理动脉期、门静脉期和平衡期体素数据,提供肿瘤大小、动脉期高强化、廓清、包膜等影像特征供放射科医生参考。
- Gd-EOB-DTPA增强MRI阅读支持软件可定量评分病灶与周围组织的信号变化程度并以彩色叠加显示于肝胆期图像。
- AI自动分割肝脏可测量肝体积,并自动分割肝段与肿瘤,以叠加方式显示于CT图像。
诊断标准与关键数值
- 在一项使用395例患者增强MRI数据的研究中,AI对<20 mm病灶的检测敏感度为0.848,优于放射科医生,对较大病灶性能相当;联合判读将总体敏感度提高至0.883。
- 在135例可分析病例中,AI软件对所有转移瘤的病灶敏感度为70.8%,对放射科医生漏诊病灶的敏感度为55.0%,在53.7%的漏诊病例中识别出转移瘤,平均每例仅0.48个假阳性。
- 在2573例CT肺动脉造影检查中,AI算法标记136例可疑病例,经放射科医生复核确认13例为真性漏诊(0.5%),AI辅助工作流程的复核-产出比为10:1,无AI时基线估计为66:1。
- LiAIDS系统基于增强CT和患者临床数据,在12610例患者、18家医院的多中心数据集上训练,良性病灶F1评分为0.940,恶性病灶为0.692;在13192例分诊队列中准确将76.46%归为低风险,阴性预测值为99.0%。
- 影像组学模型:结合影像组学与临床数据的混合模型预测HCC微血管侵犯AUC最高达0.86;TabNet模型预测结直肠癌肝转移CD73表达AUC最高达0.79。
临床应用与阅片要点
- DLR已广泛用于临床CT和MRI重建,可在降低CT辐射暴露和缩短MRI扫描时间的同时提升图像质量与病灶检出。
- AI辅助检测软件可帮助减少肝脏肿瘤漏诊,并可降低放射科医生复核工作量。
- 商业化AI软件(SAI Viewer、Cal.Liver.Lesion)已获日本监管机构批准用于临床,但未获FDA批准;Cal.Liver.Lesion已于2025年停用。
- AI自动分割可辅助术前评估和疗效评价,但呼吸运动、心脏运动、金属伪影、肝脏形态个体差异及巨大肝脏肿瘤可降低分割准确性。
局限性
- AI辅助诊断工具在肝脏影像中的采用落后于胸部影像等其他领域。
- 肝脏CT病灶与周围组织对比度显著低于胸部CT,动态多期成像使处理更复杂,肝脏MRI需判读多种图像类型。
- LI-RADS系统模板高度详细带来较大报告负担,影像表现判读存在固有主观性,即使病灶大小等看似客观的指标也存在阅者间差异。
- 影像伪影(呼吸运动、心脏运动、金属物)、解剖变形、患者间肝脏形态差异、呼吸相位变化及巨大肝脏肿瘤可显著影响AI分割准确性。
- 原文指出解决上述分割问题仍是未来研究的重要方向。
全文中译8 节 · 点击展开
引言
2020年,肝癌是全球第6位最常被诊断的癌症,也是癌症相关死亡的第3位主要原因。全球报告约905,700例新发病例和830,200例死亡。预计到2040年,这些数字将增加> 55%,达到每年约140万新发病例和130万例死亡[1]。医学成像技术——如超声、计算机断层扫描(CT)、磁共振成像(MRI)和正电子发射断层扫描(PET)——在肝脏肿瘤(包括肝细胞癌(HCC)和转移性肝癌)的诊断和管理中发挥着至关重要的作用。这些成像技术用于监测、检测、诊断、分期、治疗计划和治疗后随访。成像模式和评估方法的进步极大地促进了肝脏肿瘤患者的管理。自2011年以来,肝脏成像报告和数据系统(LI-RADS)已发展为一个综合系统,用于标准化肝硬化或慢性乙型肝炎患者的成像实践[2, 3]。
尽管取得了显著进展,肝脏肿瘤的成像诊断仍然面临诸多挑战。使用CT或MRI进行准确诊断在检测小型HCC方面仍然具有挑战性,因为其敏感性较低[4]。此外,肝脏成像包括使用MRI中肝脏特异性对比剂的多期、三维(3D)容积和功能成像。因此,通过这些技术产生的信息量往往很大。这凸显了对专门从事肝脏成像的熟练腹部放射科医生的需求。然而,此类专家可能并非总是在临床现场可用,使得难以正确评估肝脏图像。使用LI-RADS进行判读也存在挑战。LI-RADS系统提出了显著挑战,包括其高度详细的模板所带来的大量报告负担,这些模板要求明确记录成像特征,以及判读放射学发现的内在主观性,这导致了即使在病灶大小等看似客观的指标中也存在读者间变异性[3]。许多研究人员期望近年来取得重大进展的人工智能(AI)将有助于应对这些挑战。
自20世纪50年代以来,AI一直作为使用机器模拟类人认知过程的尝试而被探索。自2012年深度学习出现以来,AI在各个领域(包括医学)迅速获得突出地位。深度学习在图像识别和分类方面显示出显著进展,其在放射学中的应用起步较早。目前,AI应用于病灶检测、肿瘤表征、分割(器官、解剖区域或病灶边界)和图像质量增强等领域,这些支持辐射剂量减少或缩短成像时间。此外,AI越来越多地用于放射组学,正在进行的研究探索其预测治疗结果和支持其他临床应用的潜力。早期研究已报道了AI在检测和表征肝脏肿瘤中的应用[5]。本综述旨在审视AI在肝脏肿瘤成像中的现状和前景。
深度学习重建
图像重建是从通过信号(如X射线或电磁波)获得的原始数据创建横断面图像的过程。将人工智能应用于这一过程,可提高CT和MRI等医学成像技术的图像质量。目前,主要制造商提供配备深度学习重建(DLR)技术的诊断成像扫描仪。虽然DLR的具体细节因制造商而异,但一般原理涉及整合在高品质图像上训练的人工智能,从原始数据重建出更高质量的图像。DLR通常产生噪声降低的图像(图1)。如下文所述,DLR的出现促进了图像质量和诊断准确性的提高、CT辐射暴露的减少以及MRI扫描时间的缩短。
在CT和MRI中获得高空间分辨率图像通常会增加图像噪声。减少CT期间X射线辐射暴露和缩短MRI扫描时间的努力往往导致图像噪声增加。相反,用DLR抑制噪声可以提高空间分辨率(图2)。对于高分辨率腹部CT,已有报道称,当使用DLR、混合迭代重建(IR)和基于模型的IR从同一原始数据重建图像时,与混合IR和基于模型的IR相比,DLR的图像噪声显著更低,对比噪声比显著更高[6]。
在肝脏CT中,肿瘤与周围器官实质之间的对比度低于肺部CT,因此最小化图像噪声对于肿瘤检测至关重要。因此,人工智能驱动的降噪可以提高肝脏肿瘤的可检测性。最近一项研究表明,与传统混合IR相比,DLR显著提高了动态对比增强CT中HCC的检测性能、LI-RADS分类的观察者间一致性以及整体图像质量。DLR的HCC检测品质因数显著高于混合IR,且DLR还产生了显著更好的观察者间一致性[7]。另一项研究同样报道,DLR在LI-RADS分类和阅片者信心方面优于混合IR[8]。另一项研究的证据表明,DLR相对于IR显著降低了噪声,且不影响噪声纹理,这可能有助于在双能CT上检测富血供肝脏病变[9]。除了对HCC的实用性外,DLR还被证明可改善肝转移瘤的检测,与IR相比提供更好的病灶可见度和更高的灵敏度[10]。
研究表明,DLR在保持图像质量的同时减少CT中的辐射暴露。例如,最近一项多中心研究表明,仅使用标准辐射剂量33%的低剂量CT与DLR相结合时,与使用基于模型IR的标准剂量CT相比,在检测恶性肝脏肿瘤方面实现了更低的图像噪声和非劣效的诊断性能[11]。另一项研究也报道,DLIR在保持肝转移瘤检测性能的同时实现了34%的剂量降低[12]。
DLR 还可用于缩短 MRI 的扫描时间。例如,最近一项研究表明,深度学习加速的多 b 值扩散加权 MRI 将采集时间缩短了 50% 以上,提高了图像质量,并保持了对 HCC 微血管侵犯的预测性能 [13]。使用 DLR 的简化 MRI 方案已被证明可提高图像质量并将扫描时间缩短 50%,同时保留对恶性肝脏病变的诊断敏感性 [14]。
此外,基于人工智能的超分辨率技术可从较低分辨率数据生成高分辨率图像,有望实现对微小结构的更详细评估 [15]。
使用人工智能检测肝脏肿瘤
研究人员已研究了能够从医学图像中检测肿瘤的人工智能(AI)系统[5]。用于胸部X线和CT扫描病灶检测的高性能AI工具已被开发出来,并正日益整合到临床实践中。在肝脏成像方面,进展仍慢于胸部成像。若干因素造成了这一挑战:(a) 肝脏CT中病灶与周围组织的对比度显著低于胸部CT;(b) 动态多期成像在肝脏CT中起关键作用,使处理更加复杂;(c) 肝脏MRI需要解读多种图像类型[16]。这些是AI肝脏肿瘤检测系统要在临床实践中牢固确立必须解决的关键挑战。
然而,近年出现了有希望的进展。用于肝脏成像的AI软件进展已显示出令人鼓舞的结果。在一项使用395例患者对比增强MRI数据的研究中,AI对< 20 mm病灶的检测敏感度为0.848——优于放射科医师——并在较大病灶上达到等效性能[17]。联合解读进一步将总体敏感度提高至0.883。AI测量的病灶大小与病理学吻合良好(P = 0.174),平均分割Dice系数为0.62,支持AI作为肝脏MRI评估中可靠辅助手段的作用。
近期研究表明,AI可帮助降低诊断成像中肝脏肿瘤的漏诊率。一项研究调查了AI驱动软件在检测对比增强CT上曾被忽略的肝转移瘤方面的有效性[18]。在135例可分析病例中,该软件对所有转移瘤的每病灶敏感度为70.8%,对放射科医师漏诊病灶的敏感度为55.0%。它在53.7%的漏诊病例中识别出转移瘤,平均每例患者仅0.48个假阳性。这些发现表明,AI整合到放射学工作流程中时有可能显著改善病灶检测。在另一项研究中,研究人员评估了使用AI在2,573次CT肺动脉造影检查中识别被漏诊的偶发可疑肝脏病灶的可行性和效率[19]。AI算法标记了136例潜在病例,其中13例经放射科医师复核被确认为真性漏诊(0.5%)。AI辅助工作流程实现了10:1的复核-产出比,而无AI的基线估计为66:1。这些结果支持AI在保持诊断准确性的同时减轻放射科医师工作量的作用。
使用AI对肝脏肿瘤进行表征
使用深度学习在肝脏CT上区分肝脏病灶的尝试在该技术出现后不久便开始了[5]。2018年,卷积神经网络(CNN)——一种深度学习模型——在动态CT扫描上区分肝脏肿瘤方面显示出有效性[20]。近期,结合肝脏CT与临床数据(如性别、年龄、总胆红素水平和肿瘤标志物)的AI系统也已被开发用于肿瘤分类,采用深度CNN与门控循环神经网络(RNN)的组合[21]。
除实验性开发的AI系统外,近期已有用于辅助肝脏肿瘤定性分析的市售软件问世。部分作者评估了一款市售软件工具(SAI Viewer;FUJIFILM Corporation,东京,日本)对放射科医师诊断性能的影响。该工具未获FDA批准,但已获日本监管机构授权用于临床。本研究聚焦于该软件如何影响放射科医师利用多期肝脏CT评估肝脏病灶特征及鉴别肿瘤类型的能力(Nishigaki D, et al. Performance of radiologists in characterizing and diagnosing hepatic lesions using dynamic contrast-enhanced CT with and without artificial intelligence. Presented at RSNA 2024, Scientific Paper)。该AI系统处理来自动脉期、门静脉期和平衡期的体素数据,提供肿瘤大小、动脉期高强化(APHE)、廓清、包膜存在及其他诊断指标等影像特征。放射科医师可利用这些输出结果支持更客观、更详细的影像诊断(图3)。
除针对CT的AI应用外,将AI应用于MRI以定性肝脏肿瘤的尝试也在进行中。研究人员开发了一套卷积神经网络(CNN)系统,利用多期对比增强MRI和临床数据对七类局灶性肝脏病灶进行分类——囊肿、血管瘤、局灶性结节性增生、其他良性结节、肝细胞癌(HCC)、转移性恶性肿瘤及非HCC的原发性肝脏恶性肿瘤[22]。该系统在肝脏肿瘤分类方面表现出与经验丰富的放射科医师相当的性能。
钆塞酸二钠(Gd-EOB-DTPA)增强MRI广泛用于肝脏成像,以其在肝脏肿瘤检出方面的高诊断准确性而著称[23]。然而,解读这些图像需要专业知识,这在临床实践中可能构成障碍。因此,对能够协助非专家医师解读对比增强MRI扫描的AI系统的需求日益增长。2023年,日本批准了一款基于AI的MRI解读软件(Cal.Liver.Lesion;Bayer Yakuhin Ltd.,大阪,日本)。该软件虽未获FDA批准,但已获得日本监管机构批准用于临床;然而,该软件已于2025年停止使用。尽管此类AI工具尚未广泛采用,但使用此类工具有可能使不熟悉肝脏MRI的医师能够适当地解读图像,从而有助于改善患者管理(图4)。
开发能够同时检测和表征肝脏肿瘤的人工智能(AI)系统引起了强烈兴趣,作为分别执行这些任务的系统的替代方案。最近一项大规模研究强调了此类整合模型在局灶性肝脏病变影像学评估中的价值[24]。肝脏人工智能诊断系统(LiAIDS)是一种端到端AI系统,设计用于基于对比增强CT和患者临床数据同时检测和表征局灶性肝脏病变。在大规模多中心数据集(12,610名患者,18家医院)上训练后,其在良性病变中达到F1分数0.940,在恶性病变中达到0.692。该系统改善了所有经验水平的放射科医师的诊断性能。在13,192名患者的分诊队列中,它准确地将76.46%分类为低风险(阴性预测值:99.0%)。其在成像平台间的稳健性和泛化性支持将其整合到临床工作流程中。
使用AI的分割
分割涉及识别和划分图像内的感兴趣区域(如器官、解剖段或病变)。在肝脏成像中,分割可用于测量肝脏体积。与传统厚层图像相比,使用3D体积数据可提高测量准确性[25]。因此,在3D数据中自动分割肝脏能够实现简单、准确的肝脏体积测量,这对于术前评估至关重要,具有显著的临床价值。
基于人工智能(AI)的自动分割所产生的肝脏体积测量结果与手动方法密切匹配,具有高可重复性并缩短了处理时间[26]。识别含有肿瘤的肝段对于治疗前评估至关重要。近来,若干放射学影像查看器已整合AI以自动进行肝段分割(图5a)。
AI也被应用于自动分割肿瘤[27]。具有这些功能的市售影像查看器也已存在(图5b)。对于转移性肝脏肿瘤,基于AI的自动分割与传统方法如实体瘤疗效评价标准(RECIST)1.1相比提高了准确性[28]。
然而,若干重大挑战可显著影响基于AI的肝脏分割的准确性,包括成像伪影、解剖变形和巨大肝脏肿瘤。常见的伪影来源包括呼吸运动、心脏运动和金属物体的存在。当存在此类伪影时,它们可降低手动和自动方法的分割准确性。为减轻这些伪影,已开发了校正技术[29–31],有望增强自动分割的性能。此外,患者间肝脏形状的差异以及呼吸相位间的变化也可对分割准确性产生负面影响。巨大肝脏肿瘤进一步导致形状变形,构成准确分割的另一障碍。解决这些问题仍是未来研究的重要方向。
影像组学
影像组学涉及从医学图像中提取大量定量特征(图6)[32]。在肝脏成像中,影像组学已应用于肿瘤诊断[33]、肝细胞癌(HCC)微血管侵犯的预测[34]、结直肠癌肝转移中CD73表达的预测[35]、HCC的预后评估[36],以及HCC经动脉化疗栓塞(TACE)[37, 38]、手术切除[39]和放射治疗[40, 41]后治疗结局的预测,还有结直肠癌肝转移新辅助治疗后的治疗结局预测[42]。
作为其在肿瘤诊断中应用的一个例子,既往研究已证实,基于增强CT影像组学特征的肿瘤筛查是可行的,能够对肝脏肿瘤和健康组织进行无创分类,并支持其作为潜在影像生物标志物的作用[33]。术前CT的影像组学特征也被用于预测HCC的MVI。结合影像组学和临床数据的混合模型取得了高性能(AUC高达0.86),并能够对复发和生存进行风险分层,支持其在术前决策中的作用[34]。基于影像组学预测结直肠癌肝转移中CD73表达也已被研究。在术前CT图像上训练的注意力可解释表格学习(TabNet)模型产生了高准确率(AUC高达0.79)以及与组织学CD73表达相关的影像组学评分,并可独立预测复发和生存[35]。
在预后肿瘤分期的背景下,从基线MRI提取的影像组学特征已被证明可改善HCC的预后评估。当与巴塞罗那临床肝癌(BCLC)分期系统结合时,影像组学增强了对无移植生存的预测,优于任一方法单独使用。这些结果突出了影像组学作为风险分层补充工具的潜力[36]。越来越多的研究已证明影像组学在治疗后结局预测中的价值。一个结合全肝MRI特征和临床数据的影像组学模型在预测难治后接受持续TACE的HCC患者生存方面显示出高准确率[38]。作为与手术切除相关的一个例子,一个基于增强CT的影像组学列线图结合影像组学特征、中性粒细胞与淋巴细胞比值和甲胎蛋白(AFP),在预测HCC患者根治性肝切除术后总生存方面显示出强大性能[39]。该模型显示出良好的预后性能,并优于传统分期系统。关于放射治疗,一个将治疗前基于MRI的影像组学特征与临床参数和AFP相结合的机器学习模型,在预测HCC对钇-90放射段切除术的反应方面,与单独临床数据或AFP相比显示出改善的性能[41]。对于接受新辅助治疗的结直肠癌肝转移,一个使用来自肿瘤和瘤周区域的基于CT的影像组学特征的机器学习模型,在评估病理治疗反应方面优于基于RECIST 1.1和形态学标准的放射科医师评估[42]。
常用的放射组学特征包括形状特征(如直径、体积)、一阶特征(如均值、标准差)以及基于像素值空间分布提取的纹理特征[32]。提取的特征总数可超过数百个。为选择最相关的特征并避免过拟合,需应用降维技术。一种常用方法是最小绝对收缩和选择算子(LASSO),其同时执行变量选择和正则化以提高预测准确性[43]。随机森林是另一种广泛使用的算法,属于集成学习方法,通过构建多棵决策树并输出各棵决策树类别中的众数类别[44]。这些算法常用于放射组学分析中的分类、回归和特征重要性排序。此外,不同于上述依赖预定义特征的方法,深度学习已被探索用于自动发现特征。因此,机器学习在放射组学中发挥着至关重要的作用。
然而,尽管研究日益增多,其临床采用仍然有限[45]。一个主要挑战是可重复性和再现性问题[46]。放射组学工作流程涉及众多变量,包括成像设备、采集参数、重建算法、分割方法和特征提取软件。大量可能的组合使得难以确保在一种条件下获得的结果能在另一种条件下再现。一项体模和人体研究发现,仅有一部分放射组学特征在不同扫描仪和采集设置下既具有可重复性又具有再现性[47]。在该研究中,小波和高斯-拉普拉斯特征表现出最高的稳定性,凸显了稳健特征选择在放射组学建模中的重要性。另一个挑战是缺乏标准化。相关指南包含若干旨在标准化放射组学实践的建议;值得注意的是,它们建议使用遵循影像生物标志物标准化倡议(IBSI)指南的软件工具(如PyRadiomics)进行特征提取[45]。进一步的局限性在于,大多数放射组学研究本质上是回顾性的,往往导致证据水平较低。为使放射组学成功融入临床实践,必须产生由标准化方法学支持、考虑可重复性和再现性并提供高证据水平的研究结果。
人工智能在评估肝脏肿瘤中的挑战与前景
尽管取得了显著进展,在人工智能的开发和实施中仍存在若干挑战。构建人工智能模型的一个主要挑战是缺乏由放射科医生提供的大型标注数据集。这一点尤为重要,因为训练数据的质量会显著影响人工智能系统的性能和泛化能力。减轻标注负担的一种策略是复用常规临床实践中收集的医疗记录中的信息。多位研究人员证明,从放射学诊断报告中提取疾病信息并将其用作训练标签,可以消除额外手动标注的需要[48]。
临床人工智能应用中的另一个挑战是这些系统的“黑箱”性质,这可能导致诸如意外或不适当输出的风险,以及在底层推理不明确时难以评估人工智能结果的可靠性等挑战。应对这些挑战的一个有前景的解决方案是实施可解释人工智能(XAI),它使人工智能能够为其输出提供解释,使人类用户能够理解其背后的推理[49–51]。虽然该领域的研究仍然有限,但其重要性预计将日益增长。在XAI中,显著性图、梯度加权类激活映射(Grad-CAM)、局部可解释模型无关解释(LIME)和Shapley加性解释(SHAP)等技术被广泛使用。这些方法旨在阐明模型预测背后的理由,并已在医学图像分析中越来越普遍。尽管这些视觉解释技术可以突出与模型输出相关的图像区域,但它们不一定反映放射科医生在解读图像时所采用的推理过程。另一种重要方法涉及使用自然语言为人工智能输出生成解释,而不依赖于显著性图或类似的视觉方法。多位研究人员为开发和评估一个XAI系统做出了贡献,该系统旨在使用肝脏影像报告和数据系统(LI-RADS)语言辅助在Gd-EOB-DTPA增强MRI中鉴别肝脏病变(Zhang C, Jin Z, Hori M, et al. AI-aided diagnostic system providing explanations in LI-RADS language in liver cancer diagnosis using MRI. Presented at RSNA 2024, Scientific Paper)。XAI的实施可能通过增强模型透明度显著促进人工智能在肝脏肿瘤评估中的临床采用,这对于建立放射科医生的信任并支持高风险临床环境中的决策至关重要。
还应考虑其他挑战。大多数研究本质上是回顾性的,这通常导致证据水平较低。此外,许多研究依赖于相对较小的数据集,可能限制人工智能性能的泛化能力。此外,大多数现有方法集中于单一模态。开发整合CT、MRI、电子病历、生物标志物和治疗史的多模态人工智能系统至关重要。
结论
人工智能在肝脏肿瘤成像中的作用已被讨论,其重要性持续增长。基于人工智能的图像重建已广泛应用于临床实践,带来改善图像质量和降低辐射暴露等益处。与其他领域(如肺部)相比,人工智能辅助诊断软件在肝脏成像中较少见;然而,其应用正在逐步增加,有望成为常规临床实践不可或缺的一部分。新兴技术(如影像组学,目前处于研究阶段)的进步有望在图像评估、治疗计划、治疗评估和预后预测方面获得更广泛的应用。此外,生成式人工智能的最新进展,包括ChatGPT等大型语言模型,在医学成像中的潜在应用显示出重大前景。
为促进更广泛的临床整合,未来研究应解决关键问题,如影像组学的可重复性和再现性,这取决于一致的图像采集设置和标准化的特征提取方法;开发整合影像、临床和生物标志物数据的多模态人工智能系统;构建大型、多样化的标注数据集以进行稳健的训练和验证;以及实施可解释人工智能(XAI)技术以提高可解释性、用户信心和在常规临床环境中的负责任部署。
引用
- Hori M, Suzuki Y, Sofue K, et al. Artificial intelligence in imaging diagnosis of liver tumors: current status and future prospects. Abdom Radiol (NY). 2025. PMID: 40536541. doi:10.1007/s00261-025-05059-8
- 全文:PMC12830440(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12830440/
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。