切换至 "中华医学电子期刊资源库"

中华肝脏外科手术学电子杂志 ›› 2022, Vol. 11 ›› Issue (05) : 531 -534. doi: 10.3877/cma.j.issn.2095-3232.2022.05.021

综述

深度学习在肝癌诊疗中的研究进展
倪海旭1, 张宇泓2, 张磊1, 李汛3,()   
  1. 1. 730000 兰州大学第一医院普通外科
    2. 730000 兰州大学信息科学与工程学院
    3. 730000 兰州大学第一医院普通外科;730000 兰州,甘肃省生物治疗与再生医学重点实验室
  • 收稿日期:2022-06-22 出版日期:2022-10-10
  • 通信作者: 李汛
  • 基金资助:
    甘肃省省级重点人才项目([2020]9号); 兰州大学第一医院院内基金(ldyyyn2020-73)

Research progress of deep learning in diagnosis and treatment of liver cancer

Haixu Ni1, Yuhong Zhang2, Lei Zhang1   

  • Received:2022-06-22 Published:2022-10-10
引用本文:

倪海旭, 张宇泓, 张磊, 李汛. 深度学习在肝癌诊疗中的研究进展[J/OL]. 中华肝脏外科手术学电子杂志, 2022, 11(05): 531-534.

Haixu Ni, Yuhong Zhang, Lei Zhang. Research progress of deep learning in diagnosis and treatment of liver cancer[J/OL]. Chinese Journal of Hepatic Surgery(Electronic Edition), 2022, 11(05): 531-534.

原发性肝癌(肝癌)是我国第四大常见的恶性肿瘤和第二大肿瘤致死原因,以发病率高、病死率高、预后差为特点,严重威胁人民群众生命健康[1]。医学影像在肝癌的筛查、诊断、预后评估方面发挥着重要作用,典型的肝癌具有相对特殊的影像学表现,且不需要病理组织学检查即能确诊[2]。人工智能作为新的分析技术,如今发挥着不可或缺的作用,它是一种通过建立数学模型对大数据进行分析并解决实际问题的方法,主要应用于临床模型建立、图像特征分析等多种因素相互影响的复杂问题[3]。深度学习作为机器学习中重要的组成部分,其中的卷积神经网络(convolutional neural networks,CNN)大大拓展了人工智能在图像处理问题中的解决途径[4]。机器学习是一种使用计算机作为工具并探索如何模拟人类学习行为,不断获取新的知识以重新组织已有的知识结构,从而不断改进自身性能的方法。深度学习作为机器学习的一个子领域,能够建立和模仿人脑的神经网络进行分析和学习,模仿人脑机制,自动学习数据的多层次结构特征。深度学习充分利用其提取的多维度深层次的影像学特征,突破了传统的阅片模式,获取到更为精准的影像学信息,对于肝癌的诊疗发挥了重要作用[5]。CNN是医学影像学分析中最常用的深度学习方法,通过卷积操作完成对图像特征的提取,通过池化操作压缩图像尺寸减少计算量的同时,进一步提炼图像中的关键信息并降低过拟合的风险[6]。如图1所示[7],这里用最简单的CNN说明卷积的基本工作模式,以一组固定大小的特征图作为输入,首先经过最大池化,特征图的大小下采样到原始的一半,池化过程逐通道进行,通道维度未发生变化,虽然存在一定信息损失,但可大大减少网络整体(卷积)的计算量。随后通过卷积提取图像特征,在该过程中,由于padding(填充)、stride(步长)以及卷积核的大小导致图像尺寸发生一定变化,同时输出通道维度等于卷积核的数量。具体来讲,卷积就是对每个像素点一定范围内的像素进行加权求和,使用卷积核里的权重值与图像相应位置的像素值进行点乘,最后将点乘结果在通道维度叠加,本质可理解为一种滤波操作。经过卷积和池化的交替进行以及激活函数修正线性单元(rectified linear unit,ReLU)的非线性化,最后连接线性层即可实现一般的分类问题。基于CNN的各种衍生模型已被运用于肝癌影像学上的分割,以及肝癌的检测、分期、分级等方面[8]

图1 卷积神经网络基础架构[7]注:ReLU为修正线性单元
[1]
中华人民共和国国家卫生健康委员会医政医管局. 原发性肝癌诊疗指南(2022年版)[J]. 中华消化外科杂志, 2022, 21(2):143-168.
[2]
Vogel A, Cervantes A, Chau I, et al. Hepatocellular carcinoma: ESMO Clinical Practice Guidelines for diagnosis, treatment and follow-up[J]. Ann Oncol, 2018, 29(Suppl 4):iv238-255.
[3]
Chan HP, Samala RK, Hadjiiski LM, et al. Deep learning in medical image analysis[J]. Adv Exp Med Biol, 2020(1213):3-21.
[4]
Huo Y, Terry JG, Wang J, et al. Fully automatic liver attenuation estimation combing CNN segmentation and morphological operations[J]. Med Phys, 2019, 46(8):3508-3519.
[5]
Ioannou GN, Tang W, Beste LA, et al. Assessment of a deep learning model to predict hepatocellular carcinoma in patients withhepatitis C cirrhosis[J]. JAMA Netw Open, 2020, 3(9):e2015626.
[6]
Husain SS, Bober M. REMAP: multi-layer entropy-guided pooling of dense CNN features for image retrieval[J]. IEEE Trans Image Process, 2019, DOI:10.1109/TIP.2019.2917234[Epub ahead of print].
[7]
申铉京, 沈哲, 黄永平, 等. 基于非局部操作的深度卷积神经网络车位占用检测算法[J]. 电子与信息学报, 2020, 42(9):2269-2276.
[8]
Sahli H, Ben Slama A, Labidi S. U-Net: a valuable encoder-decoder architecture for liver tumors segmentation in CT images[J]. J Xray Sci Technol, 2022, 30(1):45-56.
[9]
Choi HH, Rodgers SK, Khurana A, et al. Role of ultrasound for chronic liver disease and hepatocellular carcinoma surveillance[J]. Magn Reson Imaging Clin N Am, 2021, 29(3):279-290.
[10]
Jiang HY, Chen J, Xia CC, et al. Noninvasive imaging of hepatocellular carcinoma: from diagnosis to prognosis[J]. World J Gastroenterol, 2018, 24(22):2348-2362.
[11]
Schmauch B, Herent P, Jehanno P, et al. Diagnosis of focal liver lesions from ultrasound using deep learning[J]. Diagn Interv Imaging, 2019, 100(4):227-233.
[12]
Nishida N, Yamakawa M, Shiina T, et al. Current status and perspectives for computer-aided ultrasonic diagnosis of liver lesions using deep learning technology[J]. Hepatol Int, 2019, 13(4):416-421.
[13]
Anwar SM, Majid M, Qayyum A, et al. Medical image analysis using convolutional neural networks: a review[J]. J Med Syst, 2018, 42(11):226.
[14]
姜涛, 林仲志, 吴水才, 等. 基于卷积神经网络和超像素的CT图像肝脏分割[J]. 中国医疗设备, 2020, 35(2):72-76.
[15]
许文哲, 邢国靖, 王延珍, 等. CT增强与超声造影在肝癌诊断中的应用价值[J]. 影像研究与医学应用, 2019, 3(4):44-45.
[16]
Căleanu CD, Sîrbu CL, Simion G. Deep neural architectures for contrast enhanced ultrasound (CEUS) focal liver lesions automated diagnosis[J]. Sensors, 2021, 21(12):4126.
[17]
Guo LH, Wang D, Qian YY, et al. A two-stage multi-view learning framework based computer-aided diagnosis of liver tumors with contrast enhanced ultrasound images[J]. Clin Hemorheol Microcirc, 2018, 69(3):343-354.
[18]
Yasaka K, Akai H, Abe O, et al. Deep learning with convolutional neural network for differentiation of liver masses at dynamic contrast-enhanced CT: a preliminary study[J]. Radiology, 2018, 286(3):887-896.
[19]
Patel L, Shukla T, Huang X, et al. Machine learning methods in drug discovery[J]. Molecules, 2020, 25(22):5277.
[20]
Seo H, Huang C, Bassenne M, et al. Modified U-Net (mU-Net) with incorporation of object-dependent high level features for improved liver and liver-tumor segmentation in CT images[J]. IEEE Trans Med Imaging, 2020, 39(5):1316-1325.
[21]
Lin S, Ji R, Li Y, et al. Toward compact ConvNets via structure-sparsity regularized filter pruning[J]. IEEE Trans Neural Netw Learn Syst, 2020, 31(2):574-588.
[22]
Li X, Chen H, Qi X, et al. H-DenseUNet: hybrid densely connected UNet for liver and tumor segmentation from CT volumes[J]. IEEE Trans Med Imaging, 2018, 37(12):2663-2674.
[23]
Hui H, Zhang X, Wu Z, et al. Dual-path attention compensation U-Net for stroke lesion segmentation[J]. Comput Intell Neurosci, 2021: 7552185.
[24]
Nayantara PV, Kamath S, Manjunath KN, et al. Computer-aided diagnosis of liver lesions using CT images: a systematic review[J]. Comput Biol Med, 2020(127): 104035.
[25]
Lee JG, Jun S, Cho YW, et al. Deep learning in medical imaging: general overview[J]. Korean J Radiol, 2017, 18(4):570-584.
[26]
Erstad DJ, Tanabe KK. Prognostic and therapeutic implications of microvascular invasion in hepatocellular carcinoma[J]. Ann Surg Oncol, 2019, 26(5):1474-1493.
[27]
Lee S, Kang TW, Song KD, et al. Effect of microvascular invasion risk on early recurrence of hepatocellular carcinoma after surgery and radiofrequency ablation[J]. Ann Surg, 2021, 273(3):564-571.
[28]
张清华,李海涛,方国旭,等.深度学习在原发性肝癌相关诊断模型中的应用与前景[J].临床肝胆病杂志, 2022, 38(1):20-25.
[29]
漆振东. 基于增强CT深度学习模型及影像学特征术前预测单发肝细胞癌微血管侵犯的初步研究[D]. 广州: 南方医科大学, 2019.
[30]
Saillard C, Schmauch B, Laifa O, et al. Predicting survival after hepatocellular carcinoma resection using deep learning on histological slides[J]. Hepatology, 2020, 72(6):2000-2013.
[31]
Spieler B, Sabottke C, Moawad AW, et al. Artificial intelligence in assessment of hepatocellular carcinoma treatment response[J]. Abdom Radiol, 2021, 46(8):3660-3671.
[32]
Peng J, Kang S, Ning Z, et al. Residual convolutional neural network for predicting response of transarterial chemoembolization in hepatocellular carcinoma from CT imaging[J]. Eur Radiol, 2020, 30(1):413-424.
[1] 李洋, 蔡金玉, 党晓智, 常婉英, 巨艳, 高毅, 宋宏萍. 基于深度学习的乳腺超声应变弹性图像生成模型的应用研究[J/OL]. 中华医学超声杂志(电子版), 2024, 21(06): 563-570.
[2] 明昊, 肖迎聪, 巨艳, 宋宏萍. 乳腺癌风险预测模型的研究现状[J/OL]. 中华乳腺病杂志(电子版), 2024, 18(05): 287-291.
[3] 张嘉炜, 王瑞, 张克诚, 易磊, 周增丁. 烧烫伤创面深度智能检测模型P-YOLO的建立及测试效果[J/OL]. 中华损伤与修复杂志(电子版), 2024, 19(05): 379-385.
[4] 叶莉, 杜宇. 深度学习在牙髓根尖周病临床诊疗中的应用[J/OL]. 中华口腔医学研究杂志(电子版), 2024, 18(06): 351-356.
[5] 高俊颖, 张海洲, 区泓乐, 孙强. FOLFOX-HAIC 为基础的肝细胞癌辅助转化治疗的应用进展[J/OL]. 中华普通外科学文献(电子版), 2024, 18(06): 457-463.
[6] 常小伟, 蔡瑜, 赵志勇, 张伟. 高强度聚焦超声消融术联合肝动脉化疗栓塞术治疗原发性肝细胞癌的效果及安全性分析[J/OL]. 中华普外科手术学杂志(电子版), 2025, 19(01): 56-59.
[7] 赖全友, 高远, 汪建林, 屈士斌, 魏丹, 彭伟. 三维重建技术结合腹腔镜精准肝切除术对肝癌患者术后CD4+、CD8+及免疫球蛋白水平的影响[J/OL]. 中华普外科手术学杂志(电子版), 2024, 18(06): 651-654.
[8] 熊鹰, 林敬莱, 白奇, 郭剑明, 王烁. 肾癌自动化病理诊断:AI离临床还有多远?[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 535-540.
[9] 李伟, 宋子健, 赖衍成, 周睿, 吴涵, 邓龙昕, 陈锐. 人工智能应用于前列腺癌患者预后预测的研究现状及展望[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 541-546.
[10] 黄俊龙, 李文双, 李晓阳, 刘柏隆, 陈逸龙, 丘惠平, 周祥福. 基于盆底彩超的人工智能模型在女性压力性尿失禁分度诊断中的应用[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 597-605.
[11] 莫淇舟, 苏劲, 黄健, 李健维, 李思宁, 柳建军. 智能控压输尿管软镜碎石吸引取石术在直径10~25 mm上尿路结石中的应用[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(05): 497-502.
[12] 李一帆, 朱帝文, 任伟新, 鲍应军, 顾俊鹏, 张海潇, 曹耿飞, 阿斯哈尔·哈斯木, 纪卫政. 血GP73水平在原发性肝癌TACE疗效评价中的作用[J/OL]. 中华肝脏外科手术学电子杂志, 2024, 13(06): 825-830.
[13] 陆镜明, 韩大为, 任耀星, 黄天笑, 向俊西, 张谞丰, 吕毅, 王傅民. 基于术前影像组学的肝内胆管细胞癌淋巴结转移预测的系统性分析[J/OL]. 中华肝脏外科手术学电子杂志, 2024, 13(06): 852-858.
[14] 吴雪云, 胡小军, 范应方. 肝切除术中剩余肝再生能力的评估与预测[J/OL]. 中华肝脏外科手术学电子杂志, 2024, 13(06): 894-897.
[15] 孙铭远, 褚恒, 徐海滨, 张哲. 人工智能应用于多发性肺结节诊断的研究进展[J/OL]. 中华临床医师杂志(电子版), 2024, 18(08): 785-790.
阅读次数
全文


摘要