元医生智能体/影像医生/知识库
文献速递腹部介入CT

基于增强CT的深度学习模型在结直肠癌肝转移瘤自动分割及热消融术后疾病早期进展的预测研究

RSS 订阅 · 临床放射学杂志

本研究纳入两个中心186例结直肠癌肝转移瘤（CRLM）患者，使用nnU-Net自动分割增强CT图像，对≥10 mm病灶的Dice系数达0.87±0.03，而<10 mm病灶仅为0.71±0.04。在78例热消融患者中，深度影像组学模型预测术后早期进展的AUC为0.796，敏感度100%，特异度66.7%，显示出一定的临床应用潜力。

要点

  • nnU-Net对10 mm以上CRLM病灶自动分割效能良好（Dice 0.87±0.03），但对<10 mm小病灶分割准确性明显下降（Dice 0.71±0.04）
  • 深度影像组学模型预测热消融术后早期进展敏感度达100%，特异度66.7%，AUC为0.796
  • 临床变量模型虽然AUC较高（0.877）但特异度极低（22.8%），深度影像组学模型可作为补充预测工具

核心结论

  • nnU-Net对10 mm以上的CRLM病灶自动分割效能良好，联合深度影像组学模型预测CRLM热消融术后疾病早期进展有一定潜力
  • 病灶大小显著影响自动分割性能，<10 mm与10~30 mm靶病灶分割准确性存在统计学差异（Dice系数：0.71±0.04 vs. 0.87±0.03，P<0.01）

研究设计与样本

  • 双中心回顾性研究，纳入186例（534个病灶）CRLM患者，平均年龄58.03±10.69岁，男性110例
  • 所有患者原发病灶均有病理证实，CRLM由穿刺病理或临床多学科诊断证实
  • 使用ITK-SNAP软件手动勾画靶病灶作为参考标准，nnU-Net用于自动分割训练
  • 78例（78个病灶）接受热消融治疗，术后疾病早期进展（DP组）21个病灶，无早期进展（NDP组）57个病灶
  • 检查设备为增强CT，根据病灶大小分为<10 mm和10~30 mm两组

诊断标准与关键数值

  • nnU-Net自动分割整体Dice系数为0.83±0.07，其中<10 mm病灶Dice系数0.71±0.04，10~30 mm病灶Dice系数0.87±0.03（P<0.01）
  • 深度影像组学模型测试集预测热消融术后早期进展AUC为0.796（95%CI：0.579~0.952），敏感度100%，特异度66.7%
  • 术前临床变量模型区分DP与NDP的AUC为0.877（95%CI：0.784~0.970），敏感度90.5%，特异度22.8%

临床应用与阅片要点

  • 对于≥10 mm的CRLM病灶可考虑使用nnU-Net自动分割辅助诊断，但<10 mm小病灶需人工复核
  • 热消融术前可结合深度影像组学模型评估早期进展风险，高敏感度有助于筛选高危患者
  • 临床变量模型虽AUC较高但特异度极低（22.8%），深度影像组学模型可提高特异度至66.7%作为补充工具

局限性

  • 回顾性双中心研究，样本量相对有限，特别是热消融亚组仅78例
  • 对<10 mm小病灶的自动分割性能不佳，限制了对早期微小转移灶的应用价值
  • 深度影像组学模型在测试集中特异度仅66.7%，存在一定假阳性率

原文图文

目的 探索nnU-Net自动分割增强CT的结直肠癌肝转移瘤（CRLM）,并构建CRLM热消融术后疾病早期进展的预测模型。 方法 回顾性搜集两个医疗中心的CRLM患者,所有患者的原发病灶均有病理证实,CRLM由穿刺病理或临床多学科诊断证实。使用ITK-SNAP软件手动勾画所有被证实的靶病灶,nnU-Net被用于训练并自动分割靶病灶。根据靶病灶的大小（&#x0003C;10 mm与10~30 mm）将CRLM分为两组。统计学分析不同靶病灶大小对于nnU-Net自动分割CRLM性能的影响。此外,利用自动分割区域构建深度影像组学（D-R）模型以区分靶病灶热消融术后疾病是否早期复发。统计学分析D-R模型预测CRLM热消融术后疾病早期进展的敏感度、特异度和预测效能。 结果 两个医疗中心共纳入186例（534个）CRLM患者,平均年龄（58.03&#x000b1;10.69）岁,110例男性患者。nnU-Net对靶病灶自动分割的Dice系数为（0.83&#x000b1;0.07）,而对于&#x0003C;10 mm与10~30 mm靶病灶自动分割的准确性存在统计学差异（Dice系数：0.71&#x000b1;0.04 vs. 0.87&#x000b1;0.03, P &#x0003C;0.01）。其中78例（78个病灶）CRLM接受热消融,术后疾病早期进展（DP组）和无早期进展（NDP组）分别为21个和57个靶病灶。热消融术前临床变量模型区分DP与NDP的曲线下面积（AUC）值、敏感度和特异度分别为0.877（95%CI：0.784~0.970）、90.5%和22.8%。D-R模型在测试集中对于CRLM热消融术后疾病早期进展的预测效能、敏感度和特异度分别为0.796（95%CI：0.579~0.952）、100%和66.7%。 结论 nnU-Net对10 mm以上的CRLM病灶自动分割效能良好,联合D-R模型预测CRLM热消融术后的疾病早期进展有一定潜力。

来源：临床放射学杂志，查看原文。版权归原作者所有。

引用

  1. 临床放射学杂志：基于增强CT的深度学习模型在结直肠癌肝转移瘤自动分割及热消融术后疾病早期进展的预测研究
在智能体中追问阅读原文 ↗

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。