基于机器学习的影像组学模型对肝硬化再生结节良恶性诊断效能的研究

【摘要】目的：探讨基于机器学习的影像组学模型对肝硬化再生结节良恶性诊断效能的研究。方法：选取2022年1月至2025年1月我院收治的60例肝硬化再生结节患者为研究对象。所有患者入院时均接受常规检查和病理检查。收集患者的影像资料，提取影像组学特征，构建基于机器学习的诊断模型，并分别采用AI机器学习和常规人工阅片的方式对患者影像资料进行诊断，对两种方法的诊断结果和诊断效能（灵敏度、特异度、准确率）进行对比和评估。结果：60例患者中经病理诊断为良性的有35例，恶性的有25例。AI机器学习诊断结果为，良性37例，恶性23例。常规人工阅片诊断结果为，良性31例，恶性29例。基于AI机器学习的影像组学模型对肝硬化再生结节良恶性诊断效能为，灵敏度达到88.57%（31/35），特异度为76.00%（19/25），准确率为83.33%（50/60），均高于人工阅片的灵敏度68.57%（24/35）、特异度72.00%（18/25）、准确率70.00%（42/60），表明基于机器学习的影像组学模型对肝硬化再生结节良恶性的诊断具有较好的诊断效能。结论：基于AI机器学习的影像组学模型能够在MRI上精准评估肝硬化再生结节的良恶性质，相较于影像科医生常规阅片，具有更优的诊断效能，有较高应用价值。

【关键字】肝硬化再生结节；良恶性；诊断效能；基于机器学习的影像组学模型

肝硬化是一种常见的慢性肝病，在肝硬化的发展过程中，常伴有再生结节的形成[1]。这些再生结节有良性和恶性之分，恶性结节往往预示着肝癌的发生，早期准确诊断肝硬化再生结节的良恶性对于患者的治疗和预后至关重要[2]。传统的诊断方法主要依赖于影像学特征和临床指标，但存在一定的局限性，诊断准确性有待提高。近年来，影像组学作为一门新兴的交叉学科，通过从医学影像中提取大量的定量特征，并结合机器学习算法进行分析，为疾病的诊断、预后评估等提供了新的思路和方法[3]。本研究旨在探讨基于机器学习的影像组学模型对肝硬化再生结节良恶性诊断的效能。

1 对象和方法

1.1 对象

选择2022.1-2025.1期间我院收治的60例肝硬化再生结节患者为研究对象。其中男38例，女22例，年龄18-65岁，平均年龄46.85±7.36岁。所有患者均接受常规MR平扫、DWI扫描、钆塞酸二钠动态增强扫描、肝胆特异期成像以及病理检查等。纳入标准：（1）肝硬化再生结节且伴有部分结节恶变者；（2）临床资料完整；（3）无基础性疾病，身体状况良好，能配合完成磁共振检查；（4）所获取的影像组学图像质量能达到诊断及机器学习的标准；（5）患者已同意研究并已签知情书。排除标准：（1）身体基础状况较差者；（2）图像质量不佳、存在严重伪影，不满足诊断要求且机器无法进行学习分析；（3）临床相关资料不全者；（4）存在检查禁忌证者。

1.2 方法

所有受检患者均采用西门子3.0T磁共振成像系统，搭配20通道腹部相控阵线圈开展MRI扫描。为保障扫描质量，患者扫描前需禁食6小时，静息半小时且避免剧烈活动，同时进行屏气训练。扫描时患者取仰卧位，扫描范围为膈肌上缘至肝脏下缘。通过右肘部静脉注射GD-EOB-DTPA对比剂，剂量为0.1mL/kg，注射速度为2 - 3mL/s，随后以相同速度注射20 - 30mL生理盐水。MRI扫描序列如下：（1）上腹部常规平扫及增强扫描序列，包含屏气快速自旋回波（FSE）、脂肪抑制T1加权成像（T1WI）、横断面与冠状面T2加权成像（T2WI）以及增强扫描的动脉期、门脉期和延迟期；（2）DWI扫描，b值设为800s/mm²；（3）注射GD-EOB-DTPA 20秒后开始增强扫描，依次采集动脉期、门脉期和延迟期图像，15 - 20分钟后采集肝胆特异期图像。

人工阅片：由3名临床经验丰富的高年资主治及以上职称放射科医生，通过查看患者影像及病历资料等，对患者肝结节性质作出初步诊断，若其中任何1人意见不一致，则由医疗组讨论后达成统一结论。

机器学习：处理肝硬化再生结节影像资料时，首先运用深度学习中的神经网络，经复杂的多级卷积与池化操作，自动提取关键特征，得到特征映射图。接着，将特征映射图输入区域提取网络（region proposal network, RPN），该网络自动识别潜在病变区域（regions of interest,ROI）并在特征映射图上定位（ROI pooling）。最后，基于处理后的特征映射图，对病变类型和具体位置进行预测分析，构建全面的神经网络辅助诊断模型。

1.3 观察指标

（1）比较AI机器学习和常规人工阅片的方式对肝硬化再生结节良恶性的诊断结果。

（2）对两种方法的诊断结果和诊断效能（灵敏度、特异度、准确率）进行对比和评估。灵敏度[灵敏度＝真阳性例数/(真阳性例数＋假阴性例数)×100%]、特异度[特异度＝真阴性例数/(假阳性例数＋真阴性例数)×100%]、准确度[准确度＝(真阳性例数＋真阴性例数)/(真阳性例数＋假阴性例数＋假阳性例数＋真阴性例数)×100%]。

1.4 统计学分析

使用SPSS20.0软件对数据进行统计学分析，计量数据通过t检验进行比较，并使用（平均值±标准差）展示，计数数据则采用χ²检验，以百分比（%）形式表达。P＜0.05表示数据差异有统计学意义。

2 结果

2.1AI机器学习和常规人工阅片的方式对肝硬化再生结节良恶性的诊断结果比对

60例患者中经病理诊断为恶性的有25例，良性的有35例。AI机器学习诊断结果为，良性37例，恶性23例。常规人工阅片诊断结果为，良性31例，恶性29例。

2.2 诊断效能比对

基于AI机器学习的影像组学模型对肝硬化再生结节良恶性诊断效能为，灵敏度达到88.57%（31/35），特异度为76.00%（19/25），准确率为83.33%（50/60），均高于人工阅片的灵敏度68.57%（24/35）、特异度72.00%（18/25）、准确率70.00%（42/60），（P＜0.05）。

3 讨论

肝硬化作为一种严重的肝脏疾病，其病情进展复杂且危害巨大，肝癌是其最为常见且严重的并发症之一[4]。在肝硬化病变中可见多种结节，包括再生结节（RN）、低度不典型增生结节（LGDN）、高度不典型增生结节（HGDN）、早期肝细胞癌、高分化肝细胞癌以及中低分化肝细胞癌。肝癌发生是多阶段演变过程，随细胞密度、库普弗细胞数量、结节体积及血流动力学的改变，病情逐渐恶化，威胁患者生命[5]。因此，早期发现并干预肝硬化结节至关重要。准确判断结节性质并针对性治疗，可降低肝癌风险、提高患者生存率、改善其生活质量。

目前，肝细胞癌影像诊断主要依赖血管特征，但小于2厘米的小结节常有不典型血管行为，近三分之一为恶性，其特征受结节内血流变化影响。约30%的肝硬化患者会发生肝细胞癌（HCC），表明二者关系密切。小肝癌与肝硬化结节难区分，需多种影像方式早期检测和定性诊断。肝细胞癌从癌前病变到癌是多步骤过程，随着影像技术进步，磁共振影像组学在判断肝硬化再生结节良恶性中作用重要，新肝细胞特异性对比剂的应用提高了判断准确性[6-7]。

再生结节是特定肝脏实质区域，由增生健康肝细胞构成且被纤维组织环绕，其影像信号表现多样。发育不良结节是肝细胞直径≥1mm的灶性区域，伴不典型增生，分低度发育不良结节和高度发育不良结节[8]。低度发育不良结节在动态时相的增强特征与周围正常肝实质相似，被视为肝癌发生的临界点。肝硬化相关影像数据繁多，常规人工阅片依赖放射科医生的经验和主观判断，不同医生之间可能存在诊断差异，且面对大量的影像数据时，工作强度大，容易出现视觉疲劳和判断失误[9]。而基于机器学习的影像组学模型，通过深度学习中的神经网络，对影像资料进行复杂的多级卷积与池化操作，自动提取关键特征，构建全面的辅助诊断模型[10]。AI辅助诊断能通过学习病例数据和医学知识辅助诊断，在影像分析有优势，可减轻医生负担、节省时间、提高准确性[11]。本研究结果发现，60例患者中经病理诊断为恶性的有25例，良性的有35例。AI机器学习诊断结果为，良性37例，恶性23例。常规人工阅片诊断结果为，良性31例，恶性29例。基于AI机器学习的影像组学模型对肝硬化再生结节良恶性诊断效能为，灵敏度达到88.57%（31/35），特异度为76.00%（19/25），准确率为83.33%（50/60），均高于人工阅片的灵敏度68.57%（24/35）、特异度72.00%（18/25）、准确率70.00%（42/60），表明基于机器学习的影像组学模型对肝硬化再生结节良恶性的诊断具有较好的诊断效能。这一研究结果对于临床实践具有重要意义。早期准确诊断肝硬化再生结节的良恶性，有助于及时制定合理的治疗方案。对于恶性结节，能够尽早采取手术或其他有效治疗措施，提高患者的生存率；对于良性结节，则可以避免不必要的过度治疗。然而，本研究也存在一定的局限性。样本量相对较小，可能影响研究结果的普遍性。未来需要扩大样本量，进一步验证模型的稳定性和可靠性。同时，机器学习模型的构建和优化还需要不断探索，以提高其诊断的精准度。

综上，基于机器学习的影像组学模型对肝硬化再生结节良恶性诊断效能高于影像科医生常规人工阅片。开发基于深度学习技术的肝硬化再生结节良恶性判别AI机器学习的影像组学模型，能减轻放射科阅片医生负担，提升早期肝细胞癌检测准确性。有较高应用价值。

参考文献

[1] 樊凤仙,姜艳丽,王俊,等. 基于MRI的人工智能在肝纤维化诊断中的应用进展[J]. 磁共振成像,2021,12(3):105-108.

[2] 刘丽,谭鹰,唐春霖,等. 基于机器学习的早期肝肿瘤超声造影诊断模型建立及应用价值[J]. 陆军军医大学学报,2023,45(21):2275-2283.

[3] 聂燕,王淑芳,栾哲,等. 人工智能在肝硬化的早期无创诊断及风险预测的应用进展[J]. 西部医学,2025,37(2):308-312.

[4] 刘梦伦. 基于卷积神经网络的肝硬化识别[D]. 山东:青岛大学,2020.

[5] 林子淮,李欣明,全显跃,等. 基于机器学习CT影像组学特征联合血清学特征模型预测高出血风险食管静脉曲张[J]. 中国CT和MRI杂志,2023,21(6):93-96.

[6] 杜昕雨. 基于影像组学-机器学习评估肝硬化门静脉压力的研究[D]. 湖北医药学院,2024.

[7] 张秀梅,马会会,韩森,等. 术前鉴别混合型肝细胞-胆管癌和肝细胞癌的诊断效能:基于临床-超声影像组学的机器学习模型[J]. 分子影像学杂志,2025,48(4):509-515.

[8] ZiHang C ,Li L ,ChenFei W , et al.Artificial intelligence for assisting cancer diagnosis and treatment in the era of precision medicine.[J].Cancer communications (London, England),2021,41(11):1100-1115.

[9] Sandip C ,Deepak C ,Hitesh C , et al.Advances in artificial intelligence (AI) based diagnosis and treatment of liver diseases - Correspondence.[J].International journal of surgery (London, England),2023,109(10).

[10] C. J A ,Alistair C ,A. D S , et al.Application of Artificial Intelligence for the Diagnosis and Treatment of Liver Diseases[J].Hepatology,2021,73(6):2546-2563.

[11] 刘琼,佘华龙,吴涛,等.基于机器学习的影像组学模型对肝硬化再生结节良恶性诊断效能的研究[J].中国CT和MRI杂志,2025,23(04):126-128.