山东第一医科大学2020级影像医学与核医学硕士研究生孙櫆，以第一作者撰写论文“Multi-phase contrast-enhanced magnetic resonance image-based radiomics-combined machine learning reveals microscopic ultra-early hepatocellular carcinoma lesions”（基于多相增强磁共振图像的影像组学结合机器学习揭露超早期肉眼不可见的肝癌病灶）近日发表在医学影像学领域TOP期刊European Journal of Nuclear Medicine and Molecular Imaging上（IF=9.236）。
肝癌是全球第三大癌症相关死亡原因由于肝癌的发展潜匿，因此在临床诊断上造成了巨大的困难。一些影像学手段（增强超声、增强CT和增强磁共振）对肝癌的筛查具有较高的敏感度。但是，在肝癌的发生发展超早期，这些变化是不能够通过影像学反映出来且被影像医师观察到。
该研究基于影像组学和机器学习，对肝癌患者的多期增强磁共振图像数据进行影像组学的定量特征提取，得到高纬度的特征。通过特征工程方法，包括特征鲁棒性检验、特征建模筛选最后得到具有预测价值的影像组学特征。进一步结合机器学习模型，将多个有预测价值特征进行整合输入经典的有监督机器学习模型中进行最后分类预测。此外，还通过分析两组之间的组学特征，以进一步揭示肝癌病灶与非病灶之间哪些特征具有差异性，并深入探讨了不同的图像变换对于放射组学特征反映极小的肝癌病灶病变的意义。
图1. 整个实验的流程图
研究表明肝癌病灶还未反映在增强磁共振图像上时，一些形态学、图像强度的变化就已经存在。通过结合四个不同期相的放射组学特征构建的模型，其表现和诊断效能优于医师。
图2. 经典有监督机器学习模型与两位影像医师诊断效能的比较
图3.对于‘肉眼不可见的肝癌病灶’的可视化
将影像组学高纬度信息可视化在影像热图上，能清晰的显示出在肝癌病灶还未反映到增强磁共振图像中时，就已经存在恶性病灶发展的可能。研究在新的角度阐述了肝癌潜匿病灶的存在，能够在临床中辅助影像医师进行决策，提高肝癌患者的检出率，以便进行早期的干预治疗。
孙櫆和放射学院青年教师石丽婷为本文共同第一作者，论文通讯作者为放射学院放射影像系主任、省立医院影像中心主任王锡明教授，和放射影像系副主任王海燕教授。研究由国家自然科学基金、山东省自然科学基金、山东第一医科大学学术提升计划、山东省泰山学者项目和济南市创新团队经费支持。
论文开放获取链接地址：https://link.springer.com/article/10.1007/s00259-022-05742-8
通讯员：赵鹏
