Preoperative Prediction of Microvascular Invasion in small hepatocellular carcinoma (≤3 cm) by leveraging cross-phase variations of MRI contrast phases
本研究表明，一种利用从多期 MRI 序列（特别是在 5 mm 周围肿瘤扩张范围内）提取的放射组学特征进行傅里叶启发式时间编码的机器学习模型，能够有效预测小肝细胞癌中的微血管侵犯，其 AUC 达到 0.850，优于单期和仅基于临床指标的方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
肝癌仍然是现代医学面临的最严峻挑战之一，即使外科医生成功切除了可见的肿瘤，它也经常复发。造成这种复发的一个主要原因是被称为“微血管侵犯”的隐形危险，即微小的、肉眼看不见的癌细胞细胞链悄悄渗入肿瘤周围的血管。这一过程是一个关键的预警信号，表明疾病更具侵略性且更有可能扩散，然而在手术完成并进行组织显微镜检查之前，肉眼无法察觉，标准的扫描也无法检测到这些微观入侵者。由于医生无法在手术前得知这些微观入侵者的存在情况，他们必须在决定切除多少范围的健康组织时做出艰难的选择，而此时往往还不具备对抗目标的完整图景。
几十年来，放射科医生一直依赖磁共振成像（MRI）来观察肝脏肿瘤。这些扫描通过对比剂在体内流动时的不同时刻进行成像，捕捉肿瘤在动脉期、静脉期和延迟期的表现。虽然医生长期以来一直利用这些变化的模式来判断肿瘤的特性，但人类的眼睛只能定性地解释这些变化，依赖于经验和直觉。研究人员一直试图回答的问题是：肿瘤的纹理和亮度在从一个阶段到下一个阶段的过程中发生变化的特定方式，是否蕴含着关于那些肉眼看不见的癌细胞是否已经侵入附近血管的可量化的秘密。
华山医院和上海理工大学的一组研究人员致力于通过教计算机去阅读由变化的 MRI 图像所讲述的故事，来寻找这个秘密。他们重点研究了 115 名患有小型肝脏肿瘤（不超过 3 厘米）并已接受手术的患者。研究小组知道，最危险的肿瘤通常具有一种混乱、具有侵略性的纹理，这种纹理会随着扫描过程中血流的变化而改变。研究人员不仅观察肿瘤本身，还检查了肿瘤边缘外一圈看起来健康的薄层组织，通过将视野扩大 3、5 和 10 毫米，以观察危险是否正在向外渗透。
研究人员提取了来自三个不同 MRI 阶段的详细肿瘤纹理测量数据，并将它们输入到一个旨在识别模式的计算机系统中。他们测试了描述肿瘤外观随时间演变的各种方法。他们尝试了仅仅列出数字的简单方法，但也尝试了更复杂的方法，将这些变化视为一种波或信号，去寻找肿瘤行为的节奏。他们将这些图像模式与标准的血液检测结果（如肝酶水平和特定蛋白质水平）相结合，以观察这种组合是否能提供更清晰的图景。
结果显示，最成功的方法是将跨越三个 MRI 阶段的变化视为一种动态信号，并使用一种特定的数学方法进行分析，该方法可以将复杂的模式分解为其基本组成部分。当这种方法应用于肿瘤及其周围 5 毫米的环形区域时，计算机模型在预测是否存在微血管侵犯方面达到了很高的准确度。该模型在绝大多数情况下正确识别了这些隐形入侵者的存在，其表现优于仅观察单阶段扫描或仅依赖血液检测的模型。
通过分析计算机发现的最重要的特征，研究人员发现，预测的关键在于肿瘤内部纹理与其随时间变化方式之间的相互作用。具体而言，模型观察的是肿瘤不同部分对对比剂反应的失配情况。当肿瘤的内部结构及其周围环境的变化方式与健康组织的平滑、可预测模式不匹配时，模型就会将其标记为高风险。这表明，肿瘤在 MRI 扫描过程中“呼吸”和移动的方式本身就包含了一种其侵略性的指纹。
这项研究并不声称已经解决了肝癌问题，也不意味着这些模型已经准备好在每家医院立即投入使用。研究人员指出，他们的工作是基于来自单一医院的相对较小的患者群体，并且该过程仍需要人类专家仔细勾勒扫描中的肿瘤，这一任务每位患者大约需要耗时十分钟。然而，这些发现提供了一个充满希望的新方向。它们证明了 MRI 扫描中细微、变化的变异不仅仅是噪声，而是一个丰富的的信息源，当被正确解码时，可以在手术刀接触患者之前揭示肿瘤的隐藏行为。这种方法最终可以帮助外科医生规划更精确的手术，在风险高时切除更多组织，在风险低时保留健康的肝脏，而这一切都基于非侵入性的扫描。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。