J Hepatol | 基于超声造影的肝脏局灶性病变多分类诊断智能模型

近日，由解放军总医院介入超声科梁萍教授、于杰教授团队牵头，与中国科学院自动化研究所田捷教授、王坤教授团队合作，共同在Journal of Hepatology上发表题为“Contrast-enhanced ultrasound-based AI model for multi-classification of focal liver lesions”的研究，开发一种超声造影六分类肝脏结节智能诊断模型。

肝脏是人体占位病变发生种类最多的器官，针对不同类型的局灶性肝脏结节（focal liver lesions, FLL），指南推荐的治疗方法差异很大，因此准确的多分类诊断是对FLL采取正确处置方式的重要前提。超声是肝脏筛查的首选影像，超声造影（Contrast-enhanced ultrasound, CEUS）是在常规灰阶超声基础上，通过静脉注射显影剂实现FLL血流灌注的实时观测。CEUS在FLL诊断具有与MRI/CT相当的能力，且具备便捷、无辐射、无肝肾损伤等优势，但CEUS诊断性能高度依靠医生经验，导致其普及推广受到限制。针对这一临床迫切需求，解放军总医院梁萍、于杰教授带领团队科学设计，历时七年，规范化收集全国52个中心的3725例CEUS数据，与田捷、王坤教授团队合作攻克内脏CEUS智能诊断面临的诸多技术挑战，开发了基于CEUS的高精度智能模型，并实现肝癌四项分子功能的超声无创识别。

本研究收集3725例FLL患者超过400万帧CEUS视频、生物标志物信息和临床信息，构建旨在将FLL分为六种类型（肝细胞癌、肝转移癌、肝内胆管癌、肝血管瘤、肝脓肿和其他少见类型）的智能诊断模型（Model-DCB），该模型由疾病模块、生物标志物模块和临床模块协同构成。Model-DCB在三个外部测试集中与CEUS和MRI医师的诊断能力进行比较。

疾病模块，是由多个二分类疾病子模型构成的多分类诊断模型（准确率0.80，95% CI 0.72-0.87），为Model-DCB提供基础性框架。生物标志物模块，涵盖Hep子模型（AUC 0.83，95% CI 0.79-0.87）、GPC3子模型（AUC 0.81，95% CI 0.77-0.85）、CK7子模型（AUC 0.80，95% CI 0.76-0.84）和CK19子模型（AUC 0.80，95% CI 0.76-0.84），通过“影像-分子-疾病”的间接通路有效提高模型诊断效能。临床模块，包括了年龄、性别、甲胎蛋白等与FLL类型相关的17种临床文本信息。三项模块的高效整合使Model-DCB获得对六种FLL的高精度诊断能力（准确率0.90，95% CI 0.84-0.95），同时赋予Model-DCB对肝癌侵袭分子信息良好的预测能力。

Model-DCB在两个单中心回顾性测试集和一个多中心前瞻性测试集中与三名低年资CEUS医生、三名高年资CEUS医生及两名高年资MRI医生进行对比。Model-DCB的准确率分别为0.85（95% CI 0.78-0.92）、0.85（95% CI 0.80-0.89）和0.86（95% CI 0.82-0.90），显著优于低年资CEUS医生，并与高年资CEUS及高年资MRI医生诊断效能相当。且在Model-DCB辅助下，低年资CEUS医生均可获得与高年资CEUS及高年资MRI医生相当的诊断效能。同时，Model-DCB在不同年龄、性别、病史、肝脏背景，以及在国内外十个品牌上百个型号的超声设备中均具有稳定的性能表现，FLL六分类诊断准确率均超过0.80。Model-DCB的运行成本低，可在现有算力水平的超声设备中集成，且图像分析速度快（单病例处理时间小于1秒），可无延迟辅助医生诊断。

Model-DCB通过有效整合CEUS视频、分子信息和临床信息，实现多类型FLL的准确分类，可辅助提高各年资医生，尤其是低年资CEUS医生的诊断能力。Model-DCB的高精度多分类诊断能力、多类型超声设备普适能力、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。

基于 CEUS 的FLL智能诊断模型，突破了超声AI诊断内脏病变图像分辨率低、规范性差的技术瓶颈，具有媲美高年资CEUS及高年资MRI医生的诊断能力，且在不同年龄、病史、肝背景等复杂临床场景，及各品牌超声设备中均具有良好泛用性。

该研究成果具有十分乐观的转化前景和价值，智能模型可有效降低CEUS对医生经验的依赖，稳定适配于多型号超声设备，可为FLL患者减少进一步进行MRI/CT诊断的费用和等待时间，更早更精准地获得无创性FLL诊断，即使偏远地区的患者通过经验欠丰富医生的检查也可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，智能模型可实现对肝癌侵袭功能的无创预测，为治疗决策提供了科学指导且窗口前移，是超声医学从诊断结构到识别分子功能的跨越，将推动肝脏超声人工智能的变革。

专家团队

该文章由解放军总医院介入超声科博士研究生丁文臻和中国科学院自动化研究所博士研究生孟雅清为共同第一作者，梁萍、田捷、王坤、于杰教授为共同通讯作者完成。同时感谢52家参与医院超声科对超声及病理数据的贡献。