专家论坛｜刘景丰：深度学习在原发性肝癌相关诊断模型中的应用与前景( 二 )

1.2构建模型优化影像学诊断
肝癌通常通过肝活检或增强计算机断层扫描(CT)和磁共振成像技术进行诊断[19],近年来深度学习算法和模型也大量应用于基于癌症图像的诊断、预后和预测[20-21] 。卷积神经网络(CNN)允许在识别肝脏肿块和识别病理病变的特定特征时解释HCC图像[22],伴随着计算机计算能力的猛进发展,深度学习的模型算法也逐步深入,而肝癌影像诊断所涉及的深层神经网络的研究陆续增加,包括多层神经网络、深度信念网络、CNN等多种算法的应用。 2017年,Pang等[23]报告了一种凹凸变优化稀疏贡献特征选择和分类器的深度学习用以提高肝癌图像识别,在凹凸变分(CCV)方法来优化的3种分类器(随机森林分类器、支持向量机分类器和极限学习机分类器)中,CCV-随机森林分类器更能准确的识别肝癌图像。但是作为一种“不可解释的”深度学习模型,其存在着“黑盒子”效应。 2019年,Wang等[24-25]在其报道的肝肿瘤诊断的深度学习系列研究中,初次提出一种概念验证的“可解释的”深度学习模型,即利用放射成像特征的CNN,识别测试病灶中正确的影像特征。这种“可解释的”深度学习模型可与标准化报告系统(如LI-RADS)对接,添加了定量数据又利用了影像的相关辅助特征,从而提高了临床实用性,其阳性预测值和灵敏度也分别达到了76.5%和82.9% 。此外,在多相核磁图像上,基于概念验证CNN的深度学习系统(DLS)对常见肝脏病变进行分类的研究中,通过与高年资医师的测试比较,肝癌分类深度学习系统测试出更高的准确度、敏感度和特异度。 2020年Shi等[26]报道了密集卷积神经网络的深度学习方法可优化增强CT对肝脏肿瘤的诊断,又进一步丰富了影像组织性的深度学习内容。
1.3构建模型优化病理学检查
2010年,Cucchetti等[27]应用人工神经网络术前预测HCC肿瘤分级及微血管侵犯,通过收集250例有肝硬化的HCC患者的临床、影像学和组织学资料,随机选取175例患者建立人工神经网络和逻辑回归模型,对其余75例患者进行测试。其中术前血清AFP、肿瘤数量、大小和体积与肿瘤分级和MVI相关(P＜0.05),用于构建ANN 。在训练组,用于肿瘤分级和MVI预测的受试者工作特征曲线下面积(AUC)分别为0.94和0.92,均高于逻辑回归模型(均为0.85)(P＜0.001) 。在测试组中,人工神经网络正确识别了93.3%的肿瘤分级(k=0.81)和91%的MVI(k=0.73) 。逻辑回归模型正确识别了81%的肿瘤分级(k=0.55)和85%的MVI(k=0.57) 。因此,与传统线性模型相比,人工神经网络更准确地预测肝癌肿瘤分级和MVI,可应用于优化病理学检查。 2017年Li等[28]通过病理学专家的指导对病理切片感兴趣区做相应标记来识别肝癌细胞的细胞核,所构建的多重连接的CNN模型在细胞核分级方面体现了一定优越性。 Pang等[23]2017年同样在病理学专家的指导下获得每个肝癌患者的HE染色的病理图像,构建了一种CCV方法,其中CCV-随机森林算法与其他算法相比较准确率达到98.74%,对肝癌的病理图像分类最为准确。 2020年,Liao等[29]建立了基于深度学习的深度卷积神经网络模型,可明确区分肝癌肿瘤和邻近正常组织,实现了HCC的自动诊断和体细胞突变预测,也逐渐深化了病理学的深度学习研究。
1.4构建代谢组学模型协助诊断
2016年Liang等[30]使用由LC-QTOF-MS结合多变量数据分析方法对HCC患者的尿液进行代谢分析,在人尿代谢组中所发现的15种不同代谢物中,5种标志代谢物可有效诊断HCC,所建立的预测模型预测敏感度为96.5%,特异度为83% 。 Wang等[31]2018年基于随机森林建立了两种新的模型：固定序列模型和两步模型,结合肝癌和非肝癌患者尿液中提取多个尿DNA生物标志物评估模型的敏感度、特异度、AUC和变异性,认为多个尿生物标志物的评估模型有一定潜力进行自我训练并完成HCC患者的云筛选。