基于MRI的计算机深度学习早期预警乙型肝炎病毒相关性肝细胞癌的研究

Hepatocellular carcinoma (HCC) is one of the most common malignant tumors in China. Hepatitis B virus (HBV) infection is the most important cause of HCC. Prediction of HCC in patients with HBV can help to detect early HCC and improve the prognosis. However, the existing prediction models cannot reflect the condition of the whole liver in real-time, and lack of accurate anatomy information. This study aims to use the bioinformatics technology, such as learning method and high-performance scientific algorithm, to make category MR images of patients with HBV. Then, we will develop a self-adaptive, high accuracy, high sensitivity and fast preprocessor and classifier, connecting with the electronic medical record data. By using computer deep learning, we will build a neural network and an early prediction model of HBV related HCC base on MR images and relevant clinical decision model. We also try to find out a new early radiological marker for prediction of HCC. This deep learning method will improve the accuracy, sensitivity and speed of the prediction of HBV related HCC based on MR images, guide clinical treatment and provide a new way in prediction and treatment.

肝细胞癌（HCC）是我国最常见的恶性肿瘤之一，乙型肝炎病毒（HBV）是HCC的最重要致病因素。对HBV感染人群进行HCC风险预测，可早期发现HCC并改善预后。目前的预测模型难以实时全面反映肝脏的情况，且缺乏准确的解剖学定位数据。本研究拟借助生物信息学技术，使用计算机深度学习和高性能科学算法，将HBV患者的MRI图像进行分类，开发出适用于肝脏多模态MRI图像数据特点的自适应、高准确率、高灵敏度和快速的预处理器和分类器，并部署在GPU集群上。通过计算机深度学习，对MRI数据与电子病历数据的关联分析、理解，构建神经网络，建立基于MRI的HBV相关性HCC早期预警模型及临床决策模型。同时，运用MRI数据分析的早期预警算法，发现预测HBV相关性HCC的影像标志物。该研究提高HBV相关性HCC早期预警的准确率、灵敏度和速度，指导临床决策，同时为疾病预警及治疗提供新的研究思路。

肝细胞癌（HCC）是我国最常见的恶性肿瘤之一，乙型肝炎病毒（HBV）是HCC的最重要致病因素。对HBV感染人群进行HCC发病风险评估、定期监测可早期发现HCC并改善预后。目前的预测模型难以实时全面反映肝脏的情况，且缺乏准确的解剖学定位数据。本研究通过计算机机器学习，对MRI数据与电子病历数据关联分析、理解，建立基于MRI的HBV相关性HCC早期预警模型。本项目主要包含两方面的研究：1）为准确预测HBV感染人群HCC的发生风险，本研究对HBV感染人群进行钆塞酸二钠（Gd-EOB-DTPA）增强MRI检查并随访满2年。基于MRI信息，利用计算机辅助提取和筛选影像特征，使用计算机机器学习算法构建了8种HBV相关性HCC发生风险的预测模型，通过Delong检验比较其预测效能，发现随机森林模型是其中预测效能最佳的模型。通过HBV感染人群的MRI肉眼征象及临床信息的Logistic回归分析发现肝硬化及乏血供肝胆期低信号结节（NHHNs）是HBV相关性HCC发生风险的独立危险因素。基于NHHNs的MRI图像数据，通过Logistic回归分析构建了能预测NHHNs进展为HCC的预警模型。2）为在术前准确预测HCC切除术后早期复发的风险，本研究利用计算机机器学习算法基于HCC患者的术前多参数MRI肉眼征象及临床信息构建了5种机器学习模型，通过比较AUC发现随机森林模型的预测效能最佳，可在术前有效地预测HCC切除术后早期复发（1年）的风险。进一步地，本研究利用深度学习方法挖掘本中心及中山大学肿瘤医院HCC患者的术前CT图像数据，构建了分类网络DenseNet的深度学习模型、深度分割网络U-Net迁移学习模型及传统CT肉眼征象的预测模型。通过ROC曲线比较其预测效能，发现基于门脉期的深度分割网络U-Net迁移学习模型的预测效能最佳，可在术前准确预测HCC切除术后早期复发（2年）的风险并对术后早期复发进行危险分层。利用基于门脉期的深度分割网络U-Net迁移学习模型结合临床信息构建Nomogram模型，实现对HCC切除术后1年和2年无复发生存率的预测。本研究为HBV人群发生HCC的预警提供准确度高、灵敏度强的方法，辅助临床决策。