本研究由Wenjing Jia、Fuyan Li、Yi Cui、Yong Wang、Zhengjun Dai、Qingqing Yan、Xinhui Liu、Yuting Li、Huan Chang和Qingshi Zeng等作者共同完成，主要来自山东第一医科大学附属第一医院、山东省千佛山医院、山东省立医院、山东大学齐鲁医院以及山东省肿瘤医院等机构。该研究于2024年10月发表在《Academic Radiology》期刊上，题为“Deep Learning Radiomics Model of Contrast-Enhanced CT for Differentiating the Primary Source of Liver Metastases”。

研究背景

肝脏是恶性肿瘤最常见的转移部位之一，肝转移瘤（liver metastases）的发病率甚至高于原发性肝癌。肝转移瘤的预后和治疗方案高度依赖于原发肿瘤的类型，因此准确识别肝转移瘤的原发肿瘤来源对临床诊断和治疗至关重要。然而，部分患者在发现肝转移瘤时，原发肿瘤尚未明确，这给临床诊断带来了巨大挑战。传统的病理学检查虽然是诊断的金标准，但其侵入性可能导致并发症，且在某些情况下无法确定原发肿瘤的来源。因此，开发一种非侵入性、快速且有效的诊断方法具有重要意义。

近年来，基于影像组学（radiomics）和深度学习（deep learning）的模型在肿瘤基因突变预测和肿瘤侵袭性评估中表现出良好的效果。然而，基于增强CT（contrast-enhanced CT）的深度学习影像组学（deep learning radiomics, DLR）模型在肝转移瘤原发肿瘤来源识别中的应用尚未得到充分研究。本研究旨在开发和验证一种基于增强CT的DLR模型，用于区分肝转移瘤的原发肿瘤来源，为临床医生提供诊断依据。

研究方法

本研究为回顾性研究，纳入了2018年1月至2023年10月期间来自四个临床中心的489名肝转移瘤患者，共657个病灶。这些病灶包括乳腺癌（breast cancer, BC）、肺癌（lung cancer, LC）、结直肠癌（colorectal cancer, CRC）、胃癌（gastric cancer, GC）和胰腺癌（pancreatic cancer, PC）等五种病理类型。研究将病灶随机分为训练集和验证集（7:3比例），并额外使用来自另一个临床中心的112个病灶作为外部测试集。

研究首先通过3D Slicer软件手动勾画病灶的感兴趣区域（region of interest, ROI），并提取了1688个影像组学特征。随后，使用Z-score标准化、方差阈值、SelectKBest和LASSO回归等方法筛选出与肝转移瘤原发肿瘤来源相关的特征。基于这些特征，研究构建了深度学习影像组学（DLR）模型，并与传统的机器学习（machine learning, ML）模型进行了对比。DLR模型包括输入层、三个隐藏层（全连接层）和输出层，使用Softmax激活函数和交叉熵损失函数进行分类。训练过程中采用了Dropout和权重衰减策略以提高模型的泛化能力。

研究结果

DLR模型在肝转移瘤原发肿瘤来源的分类任务中表现出色。在五分类任务中，DLR模型在验证集和外部测试集中的准确率（accuracy, ACC）分别为0.563和0.464，平均AUC（area under the curve）分别为0.796和0.784。在消化系统肿瘤（digestive tract cancer, DTC）和非消化系统肿瘤（non-digestive tract cancer, non-DTC）的二分类任务中，DLR模型的AUC分别达到0.907和0.818，ACC分别为0.843和0.804。在肺癌和乳腺癌的分类任务中，DLR模型的AUC分别为0.792和0.809，ACC分别为0.772和0.730。在结直肠癌、胃癌和胰腺癌的三分类任务中，DLR模型的ACC分别为0.714和0.667，平均AUC分别为0.811和0.784。

与传统的ML模型相比，DLR模型在所有分类任务中均表现出更高的准确率和AUC值。此外，DLR模型的诊断性能也优于经验丰富的放射科医生的主观视觉分析结果，尤其是在五分类任务中，DLR模型的表现显著优于ML模型和放射科医生的诊断。

研究结论

本研究表明，基于增强CT的深度学习影像组学（DLR）模型在肝转移瘤原发肿瘤来源的识别中具有较高的准确性和稳健性。DLR模型不仅能够有效区分不同类型的肝转移瘤，还能为临床医生提供非侵入性的诊断工具，尤其是在原发肿瘤来源不明的情况下，具有重要的临床应用价值。

研究亮点

1. 创新性方法：本研究首次将深度学习与影像组学相结合，构建了DLR模型，用于肝转移瘤原发肿瘤来源的识别。
2. 多中心数据：研究纳入了来自多个临床中心的大样本数据，并通过外部测试集验证了模型的泛化能力。
3. 分步分类策略：研究采用了分步分类策略，先进行DTC和non-DTC的二分类，再进行细分，显著提高了分类效率。
4. 优于传统方法：DLR模型在所有分类任务中的表现均优于传统的ML模型和放射科医生的主观诊断，展示了其在临床诊断中的潜力。

研究意义

本研究为肝转移瘤原发肿瘤来源的识别提供了一种新的非侵入性诊断方法，具有重要的科学价值和临床应用前景。DLR模型的高准确性和稳健性使其有望成为临床诊断中的重要工具，尤其是在原发肿瘤来源不明的情况下，能够为患者提供更精准的治疗方案。