肝癌的醫(yī)學(xué)影像智能化診斷研究進(jìn)展

通信作者：葛來(lái)安，13970998757@163.com（ORCID：0009-0007-4544-1706）

摘要：肝癌是對(duì)人體威脅最大的疾病之一，大部分患者確診時(shí)已屬晚期，致死率極高。早期肝癌的診斷和治療是改善患者預(yù)后的關(guān)鍵。醫(yī)學(xué)影像是輔助診斷肝癌的重要手段，當(dāng)前基于醫(yī)學(xué)影像數(shù)據(jù)的智能圖像識(shí)別技術(shù)已深入涉足醫(yī)學(xué)診斷領(lǐng)域并具有良好應(yīng)用前景。本文通過(guò)綜述目前人工智能方法在肝臟醫(yī)學(xué)影像中診斷局灶性肝臟病變的研究現(xiàn)狀，提出當(dāng)前人工智能診斷的優(yōu)勢(shì)與不足，旨在為今后肝癌的智能化診斷提供新的研究思路。

關(guān)鍵詞：肝腫瘤；人工智能；診斷

基金項(xiàng)目：江西省中醫(yī)藥管理局科技項(xiàng)目（2021B695）

Research advances in the intelligent medical imaging diagnosis of liver cancer

XU Jie1，XU Wenbin2，HE Keqing3a，SHANGGUAN Ding3a，XU Ting3b，XIE Mingjun3a，LONG Nianbao3a，GE Laian3a.（1.Jiangxi University of Chinese Medicine，Nanchang 330004，China；2.School of Advanced Manufacturing，Nanchang University，Nanchang 330031，China；3.a.Department of Hepatobiliary Diseases，b.Department of Oncology，The Affiliated Hospital of Jiangxi University of Chinese Medicine，Nanchang 330200，China）

Corresponding author：GE Laian，13970998757@163.com（ORCID：0009-0007-4544-1706）

Abstract：Liver cancer is one of the most threatening diseases to the human body，and most patients are already in the advanced stage at the time of diagnosis，resulting in an extremely high mortality rate.The diagnosis and treatment of early-stage liver cancer is the key to improving the prognosis of patients.Medical imaging is an important method that assists in the diagnosis of liver cancer，and currently，intelligent image recognition technology based on medical imaging data has been widely applied in the field of medical diagnosis and has good application prospects.This article reviews the current status of research on artificial intelligence（AI）methods for the diagnosis of focal liver lesions based on liver medical images and proposes the advantages and shortcomings of current AI diagnosis，so as to provide new research ideas for the intelligent diagnosis of liver cancer in the future.

Key words：Liver Neoplasms；Artificial Intelligence；Diagnosis

Research funding：The Science and Technology Project of Jiangxi Provincial Administration of Traditional Chinese Medicine（2021B695）

肝臟是人體內(nèi)部最大的實(shí)質(zhì)性器官，是機(jī)體新陳代謝最活躍的器官，不僅參與人體機(jī)能的防護(hù)與維持，同時(shí)還具有對(duì)藥物、激素等物質(zhì)的解毒和轉(zhuǎn)化等重要功能，是人體最重要的器官之一［1］。據(jù)世界衛(wèi)生組織統(tǒng)計(jì)，2020年全球的肝癌新發(fā)病例約為905 677例，中國(guó)約占45.3%［2］。肝癌根據(jù)其自發(fā)性可以分為原發(fā)性肝癌和繼發(fā)性肝癌［3］，其中肝細(xì)胞癌（HCC）是目前我國(guó)第4位常見(jiàn)惡性腫瘤及第2位腫瘤致死病因［4］。

腹部CT、磁共振成像（MRI）、B超等影像學(xué)技術(shù)是臨床上常用的肝臟檢查方法，具有無(wú)創(chuàng)、非侵入性、成像速度快等特性，其檢查結(jié)果可作為肝病的診斷依據(jù)。隨著醫(yī)療條件的改善，影像檢查人數(shù)不斷增加，影像科醫(yī)生極易在長(zhǎng)期繁重、單調(diào)的閱片工作中因疲勞而出現(xiàn)診斷失誤與紕漏；得益于人工智能（artificial intelligence，AI）技術(shù)的飛速發(fā)展，肝臟醫(yī)學(xué)影像分析依托AI技術(shù)已在病灶的良惡區(qū)分、患者術(shù)前規(guī)劃、預(yù)后預(yù)測(cè)、生存預(yù)測(cè)等方面日見(jiàn)成效。基于AI的醫(yī)學(xué)影像智能分析旨在通過(guò)AI算法分析醫(yī)學(xué)影像直接得到近似甚至超過(guò)經(jīng)驗(yàn)豐富醫(yī)生的診斷結(jié)果與治療方案，一方面將醫(yī)生從繁重的閱片任務(wù)中解放出來(lái)，將更多的精力用于病灶的針對(duì)性分析，減少誤診漏診的情況出現(xiàn)；另一方面輔助醫(yī)生更精準(zhǔn)更高效地明確具體診療方案，讓患者少受創(chuàng)傷檢查之苦，同時(shí)也加快治療方案的推進(jìn)，提升患者預(yù)后。

另外，由于肝癌患者早期并無(wú)明顯癥狀，常規(guī)檢查不易察覺(jué)，而患者的治愈率、生存率隨著肝癌的分化程度的升高而明顯下降，因此從常規(guī)影像學(xué)檢查中精準(zhǔn)診斷肝癌是為重中之重。對(duì)此，為增強(qiáng)肝癌的診斷手段、提高肝癌的診斷精度，肝癌的智能化診斷已成為許多醫(yī)者和研究者們研究的重要方向。本文從基于醫(yī)學(xué)影像的肝病智能化診斷角度出發(fā)，綜述近年國(guó)內(nèi)外學(xué)者應(yīng)用AI方法進(jìn)行肝病識(shí)別分類(lèi)與病灶分割的研究現(xiàn)狀及進(jìn)展。

1基于醫(yī)學(xué)影像數(shù)據(jù)的肝癌分類(lèi)研究

近年來(lái)AI方法被深度用于肝病分類(lèi)，例如分辨肝臟是否存在癌變、區(qū)分肝臟癌變分化等級(jí)、肝臟病變種類(lèi)分類(lèi)等，其中，小肝癌（small hepatocellular carcinoma，sHCC）的診斷和鑒別更是肝臟病變?cè)\斷的關(guān)鍵。本小節(jié)從智能影像診斷方法的數(shù)據(jù)前處理過(guò)程考慮，將近些年的肝病檢測(cè)分類(lèi)方法分為兩類(lèi)，需要手動(dòng)特征提取的傳統(tǒng)分類(lèi)方法與端到端的深度學(xué)習(xí)（deep learning，DL）方法，分別從這兩個(gè)方面中對(duì)肝病檢測(cè)分類(lèi)方法進(jìn)行回顧。

1.1基于手動(dòng)特征提取的肝病分類(lèi)方法研究現(xiàn)狀機(jī)器學(xué)習(xí)（machine learning，ML）及其應(yīng)用已經(jīng)成為目前醫(yī)學(xué)領(lǐng)域用于處理預(yù)測(cè)、分類(lèi)的主要技術(shù)之一，利用ML診斷各種疾病的研究能夠促進(jìn)醫(yī)生的決策過(guò)程，幫助醫(yī)生快速有效地診斷疾病［5］。

當(dāng)前應(yīng)用于肝病診斷的手動(dòng)特征提取的傳統(tǒng)分類(lèi)方法主要為ML算法中的部分早期算法，包括邏輯回歸（logistic regression，LR）［6］、決策樹(shù)［7］、隨機(jī)森林（random forest，RF）［8］、支持向量機(jī)（support vector machine，SVM）［9］、K-Nearest neighbor（KNN）［10］等，且已經(jīng)取得一定的研究成效。例如，Naeem等［11］利用二維CT和MRI融合數(shù)據(jù)集驗(yàn)證MLP、SVM、RF等ML方法對(duì)肝癌分類(lèi)的性能，其中MLP表現(xiàn)最好；Mao等［12］為研究基于ML的超聲放射組學(xué)在原發(fā)性肝癌和轉(zhuǎn)移性肝癌術(shù)前分類(lèi)中的應(yīng)用，從專(zhuān)家勾畫(huà)出的感興趣區(qū)（region-of-interest，ROI）中提取7類(lèi)放射組學(xué)特征，采用KNN、LR、MLP、RF和SVM等多種ML方法區(qū)分原發(fā)性肝癌和轉(zhuǎn)移性肝癌，實(shí)驗(yàn)結(jié)果顯示LR的表現(xiàn)優(yōu)于其他分類(lèi)器；還有王雪虎等［13］采用SVM、KNN、RF和LR 4種ML算法對(duì)結(jié)直腸癌肝轉(zhuǎn)移與HCC病灶區(qū)域的影像組學(xué)特征進(jìn)行區(qū)分，實(shí)驗(yàn)結(jié)果表明SVM最能準(zhǔn)確分析二者影像組學(xué)特征的差異。張娟等［14］使用SVM鑒別sHCC與異型增生結(jié)節(jié)，通過(guò)分析MRI圖像特征，經(jīng)過(guò)特征篩選后，利用SVM算法分析特征進(jìn)行分類(lèi)診斷。

現(xiàn)有的基于早期ML方法的研究有兩處共通點(diǎn)：（1）使用ML方法進(jìn)行疾病診斷、預(yù)測(cè)時(shí)，通常無(wú)固定方法，多數(shù)學(xué)者使用多種ML模型進(jìn)行實(shí)驗(yàn)，而不同實(shí)驗(yàn)最終確定的實(shí)驗(yàn)?zāi)Ｐ团c實(shí)驗(yàn)結(jié)果各不相同，這導(dǎo)致實(shí)驗(yàn)前期對(duì)于模型的選擇會(huì)對(duì)最終實(shí)驗(yàn)結(jié)果產(chǎn)生重要影響；（2）基于傳統(tǒng)ML的肝病預(yù)測(cè)、分類(lèi)方法嚴(yán)重依賴(lài)于影像特征的提取，并且特征的提取需要具有豐富經(jīng)驗(yàn)的醫(yī)生勾畫(huà)出準(zhǔn)確的ROI；而手動(dòng)勾勒ROI無(wú)可避免的會(huì)存在偏差，且特征提取大多是主觀(guān)層面上的經(jīng)驗(yàn)選擇，無(wú)法做到最完全提取出圖像中對(duì)任務(wù)有益的所有特征。因此，ML方法普遍存在精度不高、計(jì)算復(fù)雜、魯棒性差等缺點(diǎn)。

1.2基于DL的肝病分類(lèi)與檢測(cè)方法研究現(xiàn)狀作為ML的主要分支之一，DL技術(shù)在圖像處理領(lǐng)域得到了廣泛的應(yīng)用并取得了長(zhǎng)足進(jìn)步［15-16］，有許多算法模型可以用來(lái)執(zhí)行模式識(shí)別和圖像分類(lèi)任務(wù)，其中卷積神經(jīng)網(wǎng)絡(luò)（conventional neural network，CNN）能夠接受2D或者3D圖像作為輸入，可以更好地利用空間和結(jié)構(gòu)信息，并且由于其像素級(jí)的精確操作和對(duì)組織病理良好的適應(yīng)性，被認(rèn)為是醫(yī)學(xué)影像學(xué)領(lǐng)域最有前景的研究方向［16］。相較于需要提前進(jìn)行人工提取特征來(lái)分類(lèi)的方法，CNN自動(dòng)提取的高層次特征泛化性更強(qiáng)，并已被證明優(yōu)于手工設(shè)計(jì)的低層次和中層次特征［17］。同時(shí)，CNN模型可進(jìn)行參數(shù)學(xué)習(xí)且模型層數(shù)深、參數(shù)多，而早期ML算法，如KNN等，參數(shù)不具有可學(xué)習(xí)的特性，或模型層數(shù)少，或基于統(tǒng)計(jì)學(xué)習(xí)的方式進(jìn)行學(xué)習(xí)，以至于早期ML算法對(duì)于實(shí)際問(wèn)題擬合情況相較于CNN模型較差。

CNN模型特有的權(quán)值共享結(jié)構(gòu)對(duì)處理圖像任務(wù)具有很好的適配性，可更好地捕捉圖像中的特征信息與空間信息，以直接完成端到端的分類(lèi)任務(wù)［17］，這種圖像處理模式相較于早期ML算法具有顯著優(yōu)勢(shì)，但是也存在所需數(shù)據(jù)量較大、可解釋性差、運(yùn)算量大等問(wèn)題。

現(xiàn)階段使用CNN進(jìn)行端到端的肝病分類(lèi)與檢測(cè)的方法已較為成熟，主要使用的模型方法有ResNet［17-19］、Faster R-CNN［20］等。在sHCC的分類(lèi)檢測(cè)上，CNN模型也同樣有所涵蓋，如馬舉銘［21］采用CNN模型結(jié)合預(yù)訓(xùn)練與微調(diào)方法區(qū)分sHCC、肝內(nèi)膽管細(xì)胞癌、高級(jí)別不典型增生結(jié)節(jié)和低級(jí)別不典型增生結(jié)節(jié)，敏感度達(dá)到94.47%，特異度為96.67%；吳德藍(lán)［22］提出基于改進(jìn)Fast R-CNN網(wǎng)絡(luò)進(jìn)行肝臟CT圖像中小病灶的檢測(cè)?，F(xiàn)階段基于CNN的分類(lèi)檢測(cè)精度水平已經(jīng)與經(jīng)驗(yàn)豐富的放射科醫(yī)生相當(dāng)，但當(dāng)前使用CNN模型進(jìn)行基于醫(yī)學(xué)影像的肝病預(yù)測(cè)、分類(lèi)等任務(wù)時(shí)，依舊存在一個(gè)明顯的缺點(diǎn)，MRI、CT等醫(yī)學(xué)影像進(jìn)行腹部成像時(shí)不可避免的會(huì)囊括所有的腹部器官，因此在使用CNN模型處理圖像之前需要提前讓專(zhuān)業(yè)醫(yī)生勾畫(huà)出ROI或者感興趣容積（volume-of-interest，VOI），準(zhǔn)確的病灶勾畫(huà)可以讓模型盡可能少的受到無(wú)關(guān)信息干擾，有助于提升模型的判斷準(zhǔn)確率。文獻(xiàn)［23］中所提供的弱標(biāo)注圖像的分類(lèi)算法可以在一定程度上降低醫(yī)生的工作量，但由于是算法自動(dòng)檢測(cè)病灶區(qū)域，一方面檢測(cè)的可靠性需要進(jìn)一步提升，病灶區(qū)域檢測(cè)的準(zhǔn)確性直接關(guān)系到其中病灶分類(lèi)的精度；另一方面該方法無(wú)法處理圖像中同時(shí)存在2種及以上病灶存在的情況。故CNN模型處理分類(lèi)問(wèn)題前，先對(duì)病灶進(jìn)行準(zhǔn)確的分割定位十分必要，而手動(dòng)勾畫(huà)工作量大、存在人為誤差以及需要豐富的先驗(yàn)知識(shí)等限制因素不可避免，故自動(dòng)精確分割病灶區(qū)域的智能算法是保證智能診斷高準(zhǔn)確度的關(guān)鍵。

2基于醫(yī)學(xué)影像數(shù)據(jù)的局灶性肝臟病灶分割研究

局灶性肝臟病變（focal liver lesion，F(xiàn)LL）的病灶分割將影像中的病灶區(qū)域與肝部正常組織分離出來(lái)，進(jìn)而獲得病變組織的完整輪廓、大小、位置、結(jié)構(gòu)等信息，對(duì)于疾病的早期診斷以及患者的病情評(píng)估具有重要意義；同時(shí)進(jìn)一步的病灶分割可以與器官分割進(jìn)行組合，將分割結(jié)果3D重建后于顯示設(shè)備中對(duì)患者腹腔狀況進(jìn)行3D可視化，為醫(yī)生全面掌握患者的病況提供助力，制訂出最佳治療方案，提高治療成功率。臨床上手動(dòng)分割病灶需要影像科醫(yī)生于CT、MRI等影像中手動(dòng)、逐層描繪病變輪廓，是一項(xiàng)冗長(zhǎng)、耗時(shí)且易出錯(cuò)的工作，同時(shí)病灶的描繪精度與醫(yī)生的臨床經(jīng)驗(yàn)息息相關(guān)，而智能分割算法在完成前期的模型訓(xùn)練后，對(duì)于未接觸的影像數(shù)據(jù)可高速、高效、精準(zhǔn)的完成分割任務(wù)，分割算法對(duì)于臨床局灶性肝病的診治具有重要輔助價(jià)值。隨著科學(xué)技術(shù)的發(fā)展，國(guó)內(nèi)外的科研工作者提出了大量?jī)?yōu)秀的分割算法，已取得了較為可觀(guān)的分割效果，并且部分算法也已經(jīng)被投入到臨床應(yīng)用。根據(jù)分割算法的不同原理分為非DL算法和DL算法兩大類(lèi)，非DL方法包含傳統(tǒng)分割算法以及早期ML方法等；而DL方法則根據(jù)卷積維度將CNN模型分為2D、2.5D以及3D分割模型。

2.1基于非DL算法的肝臟病灶分割方法研究現(xiàn)狀

2.1.1傳統(tǒng)分割算法傳統(tǒng)FLL分割算法主要分為區(qū)域生長(zhǎng)［24］、閾值分割［25］、水平集［26］等。閾值分割適用于目標(biāo)區(qū)域與背景之間的像素強(qiáng)度差別較大的分割場(chǎng)景，通過(guò)人為設(shè)置合理的閾值區(qū)間，將目標(biāo)從背景中分離出來(lái)；區(qū)域生長(zhǎng)算法是將圖像根據(jù)像素強(qiáng)度變化進(jìn)行聚類(lèi)；水平集方法通常適用于邊緣表征強(qiáng)的圖像分割任務(wù)。盡管現(xiàn)階段傳統(tǒng)FLL分割算法的發(fā)展已經(jīng)較為成熟，但仍存在較大局限性，主要表現(xiàn)在：（1）需要人工干涉，很難實(shí)現(xiàn)分割全自動(dòng)化。例如閾值分割法需要人為設(shè)定合適閾值，區(qū)域增長(zhǎng)算法需要提前設(shè)置合適的種子點(diǎn)區(qū)域；（2）分割結(jié)果欠佳?；趥鹘y(tǒng)分割方法的模型僅適用于小部分?jǐn)?shù)據(jù)，模型泛化能力差，魯棒性差，尤其針對(duì)腫瘤等不規(guī)則小目標(biāo)會(huì)存在過(guò)度分割或欠分割等問(wèn)題。

2.1.2早期ML分割方法用于FLL分割的早期ML算法主要有SVM［27-28］、Adaboost［29］、馬爾可夫隨機(jī)場(chǎng)［28］及聚類(lèi)算法，早期ML算法下的圖像分割實(shí)現(xiàn)主要是通過(guò)人工對(duì)圖像中不同區(qū)域進(jìn)行特征提取，而后利用腫瘤區(qū)域與正常肝組織的圖像特征信息之間的差異，采用ML算法對(duì)特征進(jìn)行分類(lèi)，進(jìn)而達(dá)到腫瘤分割的結(jié)果；另外，部分研究學(xué)者會(huì)將ML算法與形態(tài)學(xué)方法相結(jié)合，達(dá)到細(xì)化分割結(jié)果的效果［28］。當(dāng)前基于ML的FLL分割方法雖然取得了較好的分割結(jié)果，但是其分割結(jié)果同樣依賴(lài)于前期的模型選擇與圖像前處理過(guò)程中的特征，不同的特征選擇對(duì)模型的結(jié)果影響較大，模型泛化能力較差，因此基于ML算法的分割方法仍存在一定局限性。

2.2基于DL的肝臟局灶性病灶分割方法研究現(xiàn)狀

在醫(yī)學(xué)影像領(lǐng)域DL的圖像處理范圍不僅是用于檢測(cè)、分類(lèi)病灶，其在分割任務(wù)中的表現(xiàn)同樣出色［16，30-32］。尤其是全卷積神經(jīng)網(wǎng)絡(luò)（fully conventional network，F(xiàn)CN）對(duì)醫(yī)學(xué)影像進(jìn)行分割已經(jīng)取得了較好的成果，分割精度遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)算法的醫(yī)學(xué)影像分割，其中應(yīng)用較多的是基于編碼器-解碼器［33-34］的網(wǎng)絡(luò)結(jié)構(gòu)，其中U-Net［34］以獨(dú)特的對(duì)稱(chēng)式編碼器-解碼器結(jié)構(gòu)并結(jié)合多尺度特征及跳躍連接結(jié)構(gòu)的思想為后續(xù)的許多醫(yī)學(xué)影像分割算法提供了基礎(chǔ)思路，其結(jié)構(gòu)如圖1所示。

2.2.1 2D FCN模型2D FCN模型下的肝臟病灶分割主要從患者的腹部CT或者M(jìn)RI圖像入手，將3D數(shù)據(jù)轉(zhuǎn)化為2D切片作為模型輸入，再通過(guò)FCN模型強(qiáng)大的圖像分析能力，對(duì)輸入圖像進(jìn)行逐像素點(diǎn)的分類(lèi)，進(jìn)而實(shí)現(xiàn)總體的語(yǔ)義分割效果。在2D FCN模型中，現(xiàn)階段使用的模型主要為FCN［35-36］、SegNet［37-38］和U-Net［39-40］以及U-Net的變體模型［41-43］等，但是目前基于2D FCN模型的分割方法非常依賴(lài)前期醫(yī)生對(duì)于ROI區(qū)域的手動(dòng)勾勒，勾勒的精度直接影響到模型的分割性能；同時(shí)前期的數(shù)據(jù)預(yù)處理，例如腦區(qū)域分割任務(wù)中去除顱骨、多模態(tài)數(shù)據(jù)進(jìn)行模態(tài)間的配準(zhǔn)以及多模態(tài)數(shù)據(jù)的選擇等對(duì)于后期模型的分割性能均有著影響；另外，模型結(jié)構(gòu)的搭建與參數(shù)的設(shè)定也至關(guān)重要；此外，MRI、CT等醫(yī)學(xué)影像數(shù)據(jù)中包含的肝臟和腫瘤區(qū)域作為3D結(jié)構(gòu)，2D網(wǎng)絡(luò)只能提取到單張切片內(nèi)組織結(jié)構(gòu)和平面維度方面的特征信息，卻忽略了切片與切片間的空間結(jié)構(gòu)特征信息，后者所提供的空間信息對(duì)于模型分割目標(biāo)也同樣重要，因此許多學(xué)者使用2.5D以及3D FCN模型進(jìn)行肝臟圖像的處理。

2.2.2 2.5D和3D FCN模型2.5D模型為模型使用2D卷積與3D卷積的結(jié)合，例如Zhang等［44］首先通過(guò)2D模型大致定位肝臟，再利用基于3D-patch的FCN模型細(xì)化肝臟的分割以及大致定位肝臟腫瘤，不過(guò)該方法僅淺顯的分別使用2D與3D模型實(shí)現(xiàn)逐步細(xì)化的分割；而Zhang等［45］設(shè)計(jì)模型在3D卷積的背景下對(duì)影像切片間的信息進(jìn)行編碼，并通過(guò)2D解卷積重建高分辨率結(jié)果，實(shí)現(xiàn)了模型間的卷積轉(zhuǎn)化。該類(lèi)方法主要借助多尺度卷積結(jié)構(gòu)使多尺度特征提取不需要額外的計(jì)算成本，有效挖掘結(jié)構(gòu)化信息，減少信息冗余，強(qiáng)化獨(dú)立特征，使特征維度稀疏化，有效提高網(wǎng)絡(luò)容量和效率。

對(duì)于國(guó)內(nèi)外學(xué)者實(shí)現(xiàn)醫(yī)學(xué)影像中肝臟及肝臟病灶區(qū)域分割所使用的3D FCN模型，因?yàn)槠浣邮苡蛟诳臻g中增長(zhǎng)了一個(gè)維度，雖然可獲得更多的空間信息，但將面對(duì)更多的參數(shù)、更大的計(jì)算量以及更嚴(yán)重的梯度消失問(wèn)題［30］；且由于運(yùn)算內(nèi)存的限制，現(xiàn)階段的分割任務(wù)很難直接將整個(gè)肝臟區(qū)域直接輸入，而是先將整體區(qū)域切割為一個(gè)個(gè)小的圖像塊，再作為模型輸入，這種情況同樣犧牲了部分空間特征信息。此外，目前進(jìn)行的分割任務(wù)研究普遍存在以下現(xiàn)象：（1）醫(yī)學(xué)影像數(shù)據(jù)量少、數(shù)據(jù)來(lái)源少。目前能將醫(yī)院中大量的影像數(shù)據(jù)進(jìn)行整理、標(biāo)注并進(jìn)一步搭建為圖像數(shù)據(jù)集的研究非常少，大多數(shù)研究都是基于LiTS 2017［46］和3D-IRCADb［47］兩個(gè)肝臟及肝腫瘤的網(wǎng)絡(luò)公開(kāi)數(shù)據(jù)集；（2）處理任務(wù)較為單一。大多數(shù)研究重點(diǎn)在于肝臟中某一種特定疾病對(duì)病灶區(qū)域的勾畫(huà)，同時(shí)進(jìn)行病灶區(qū)域的分割與病變種類(lèi)檢測(cè)識(shí)別的研究不多；（3）對(duì)小型病灶的關(guān)注度不高。當(dāng)前研究重點(diǎn)主要為了提升對(duì)于目標(biāo)區(qū)域分割的性能指標(biāo)，而由于數(shù)據(jù)的局限性以及公開(kāi)數(shù)據(jù)集內(nèi)數(shù)據(jù)數(shù)量、形式固定，大多研究者都只能把關(guān)注點(diǎn)放在提升總體分割性能上，很難針對(duì)小型病灶進(jìn)行單獨(dú)研究。

3小結(jié)與展望

本文回顧了近幾年的基于醫(yī)學(xué)影像的肝癌智能診斷方法，主要包括使用傳統(tǒng)方法、ML早期方法和DL方法進(jìn)行半自動(dòng)或自動(dòng)進(jìn)行肝病的分級(jí)分類(lèi)、檢測(cè)和分割，并總結(jié)分析了現(xiàn)階段各類(lèi)方法在診斷局灶性肝病的優(yōu)劣性以及當(dāng)前在智能診斷局灶性肝病研究方向中的欠缺與不足。值得一提的是，現(xiàn)階段的AI方法對(duì)于肝癌、肝囊腫、肝結(jié)節(jié)等FLL的診斷基準(zhǔn)基本依靠影像科醫(yī)生對(duì)相關(guān)影像數(shù)據(jù)進(jìn)行手動(dòng)標(biāo)注，而肝臟彌漫性病變與部分FLL的顯示存在關(guān)聯(lián)，但目前的專(zhuān)家共識(shí)［48］在FLL標(biāo)注中不討論彌漫性病變背景的情況，故智能化診斷方法依托數(shù)據(jù)標(biāo)注進(jìn)行判別時(shí)不額外考慮彌漫性病變的影響，因此當(dāng)前并不知曉肝臟存在彌漫性病變背景是否會(huì)對(duì)FLL的智能化診斷存在影響。

考慮到sHCC的診斷和鑒別是FLL診斷的重中之重，而臨床上sHCC多在肝臟彌漫性疾病的基礎(chǔ)上發(fā)生，因此筆者未來(lái)將從識(shí)別、分割小型肝臟局灶性病變著手，研究肝臟彌漫性病變背景對(duì)AI算法診斷sHCC、肝結(jié)節(jié)等小型肝臟局灶性病變的影響，致力于研發(fā)出針對(duì)于臨床上智能精確診斷和鑒別肝臟小型局灶性病變的方法，該領(lǐng)域的研究成果在醫(yī)生閱片過(guò)程中具有警醒作用，可作為執(zhí)行進(jìn)一步檢查的參考依據(jù)，得到確切的診斷結(jié)果，減少臨床上漏診、誤診率，提高患者被治愈的可能，具有重要的現(xiàn)實(shí)意義與臨床研究?jī)r(jià)值。

利益沖突聲明：本文不存在任何利益沖突。

作者貢獻(xiàn)聲明：徐捷負(fù)責(zé)初稿撰寫(xiě)、論文資料收集與總結(jié)；徐文斌參與初稿撰寫(xiě)、資料收集、論文審閱與修訂；賀柯慶、謝明君參與論文資料整理；上官定、徐婷、龍年寶參與論文資料收集；葛來(lái)安負(fù)責(zé)論文審閱與修訂。

參考文獻(xiàn)：

[1]BAI SL，YING DJ.Systematic anatomy[M].9th ed.Beijing：People’s Medical Publishing House，2018.

柏樹(shù)令，應(yīng)大君.系統(tǒng)解剖學(xué)[M].9版.北京：人民衛(wèi)生出版社，2018.[2]China Anti-Cancer Association Committee of Liver Cancer.Guidelinesfor holistic integrative management of liver cancer（2022 abridged ver?sion）[J].Chin J Clin Oncol，2022，49（17）：865-873.DOI：10.12354/j.issn.1000-8179.2022.20220942.

中國(guó)抗癌協(xié)會(huì)肝癌專(zhuān)業(yè)委員會(huì).中國(guó)腫瘤整合診治指南-肝癌（2022精簡(jiǎn)版）[J].中國(guó)腫瘤臨床，2022，49（17）：865-873.DOI：10.12354/j.issn.1000-8179.2022.20220942.

[3]General Office of National Health Commission.Standard for diagnosis and treatment of primary liver cancer（2022 edition）[J].J Clin Hepa?tol，2022，38（2）：288-303.DOI：10.3969/j.issn.1001-5256.2022.02.009.

國(guó)家衛(wèi)生健康委辦公廳.原發(fā)性肝癌診療指南（2022年版）[J].臨床肝膽病雜志，2022，38（2）：288-303.DOI：10.3969/j.issn.1001-5256.2022.02.009.

[4]Bureau of Medical Administration，Nationsl Health Commiaaion of the People’s Republic of China.Standardization for diagnosis and treat?ment of primary hepatic carcinom（2019 edition）[J].Chin J Pract Surg，2020，40（2）：121-138.DOI：10.19538/j.cjps.issn1005-2208.2020.02.01.

中華人民共和國(guó)國(guó)家衛(wèi)生健康委員會(huì)醫(yī)政醫(yī)管局.原發(fā)性肝癌診療規(guī)范（2019年版）[J].中國(guó)實(shí)用外科雜志，2020，40（2）：121-138.DOI：10.19538/j.cjps.issn1005-2208.2020.02.01.

[5]DUTTA K，CHANDRA S，GOURISARIA MK.Early-stage detection of liver disease through machine learning algorithms[M]//Advances in Data and Information Sciences.Singapore：Springer Singapore，2022：155-166.DOI：10.1007/978-981-16-5689-7_14.

[6]BOATENG EY，ABAYE DA.A review of the logistic regression model with emphasis on medical research[J].J Data Anal Inf Process，2019，7（4）：190-207.DOI：10.4236/jdaip.2019.74012.

[7]NAYAK S，GOURISARIA MK，PANDEY M，et al.Prediction of heart disease by mining frequent items and classification techniques[C]//2019 International Conference on Intelligent Computing and Control Systems（ICCS）.Madurai，India.IEEE，2019：607-611.DOI：10.1109/ICCS45141.2019.9065805.

[8]PEREIRA S，MEIER R，MCKINLEY R，et al.Enhancing interpretability of automatically extracted machine learning features：Application to a RBM-Random Forest system on brain lesion segmentation[J].Med Image Anal，2018，44：228-244.DOI：10.1016/j.media.2017.12.009.

[9]?AMLICA Z，TIZHOOSH HR，KHALVATI F.Medical image classifica?tion via SVM using LBP features from saliency-based folded data[C]//2015 IEEE 14th International Conference on Machine Learning and Applications（ICMLA）.Miami，F(xiàn)L，USA.IEEE，2015：128-132.DOI：10.1109/ICMLA.2015.131.

[10]MARUYAMA T，HAYASHI N，SATO Y，et al.Comparison of medical image classification accuracy among three machine learning methods[J].J Xray Sci Technol，2018，26（6）：885-893.DOI：10.3233/XST-18386.

[11]NAEEM S，ALI A，QADRI S，et al.Machine-learning based hybrid-feature analysis for liver cancer classification using fused（MR and CT）images[J].Appl Sci，2020，10（9）：3134.DOI：10.3390/app10093134.

[12]MAO B，MA JD，DUAN SB，et al.Preoperative classification of primary and metastatic liver cancer via machine learning-based ultrasound radiomics[J].Eur Radiol，2021，31（7）：4576-4586.DOI：10.1007/s00330-020-07562-6.

[13]WANG XH，GUO HF，YIN XP，et al.Classification of colorectal liver metastases and hepatocellular carcinoma lesions based on CT-ra?diomics[J].Beijing Biomed Eng，2021，40（6）：551-556.DOI：10.3969/j.issn.1002-3208.2021.06.001.

王雪虎，郭海峰，殷小平，等.基于CT影像組學(xué)的結(jié)直腸癌肝轉(zhuǎn)移與原發(fā)性肝癌病灶分類(lèi)研究[J].北京生物醫(yī)學(xué)工程，2021，40（6）：551-556.DOI：10.3969/j.issn.1002-3208.2021.06.001.

[14]ZHANG J，LI D，F(xiàn)ENG YY，et al.Comparison of support vector ma?chine algorithm and diffusion weighted imaging in differentiating small hepatocellular carcinoma and dysplastic nodules[J].Chin Comput Med Imag，2022，28（4）：366-371.DOI：10.3969/j.issn.1006-5741.2022.04.008.

張娟，李笛，馮亞園，等.支持向量機(jī)算法與彌散加權(quán)成像在鑒別小肝癌和異型增生結(jié)節(jié)中的比較[J].中國(guó)醫(yī)學(xué)計(jì)算機(jī)成像雜志，2022，28（4）：366-371.DOI：10.3969/j.issn.1006-5741.2022.04.008.

[15]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.DOI：10.1007/s10916-018-1088-1.

[16]SHEN DG，WU GR，SUK HI.Deep learning in medical image analy?sis[J].Annu Rev Biomed Eng，2017，19：221-248.DOI：10.1146/annurev-bioeng-071516-044442.

[17]WANG W，LIANG D，CHEN Q，et al.Medical image classification us?ing deep learning[M]∥Deep learning in healthcare：paradigms and applications，Cham：Springer，2020：33-51.DOI：10.1007/978-3-030-32606-7_3.

[18]WANG SH，HAN XJ，DU J，et al.Saliency-based 3D convolutional neural network for categorising common focal liver lesions on multi?sequence MRI[J].Insights Imaging，2021，12（1）：173.DOI：10.1186/s13244-021-01117-z.

[19]TAKENAGA T，HANAOKA S，NOMURA Y，et al.Multichannel three-dimensional fully convolutional residual network-based focal liver le?sion detection and classification in Gd-EOB-DTPA-enhanced MRI[J].Int J Comput Assist Radiol Surg，2021，16（9）：1527-1536.DOI：10.1007/s11548-021-02416-y.

[20]LI WY.A kind of research on lesions detection in liver CT images based on convolutional neural network[D].Xiangtan：Xiangtan Uni?versity，2019.

李文雅.一種基于卷積神經(jīng)網(wǎng)絡(luò)的肝臟CT圖像病灶檢測(cè)問(wèn)題研究[D].湘潭：湘潭大學(xué)，2019.

[21]MA JM.Application of artificial intelligence based on deep learning in magnetic resonance imaging of early liver cancer[D].Jinan：Shan?dong University，2020.

馬舉銘.基于深度學(xué)習(xí)的人工智能在早期肝癌磁共振影像的應(yīng)用研究[D].濟(jì)南：山東大學(xué)，2020.

[22]WU DL.Detection of small lesions in liver CT images based on im?proved Faster R-CNN[D].Nanning：Guangxi University，2022.

吳德藍(lán).基于改進(jìn)Faster R-CNN的肝臟CT圖像小病灶檢測(cè)[D].南寧：廣西大學(xué)，2022.

[23]CHEN X.Research on liver lesion classification algorithm based on weakly-labeled CT images[D].Hangzhou：Zhejiang University，2020.陳效.弱標(biāo)注CT圖像中肝臟病灶分類(lèi)算法研究[D].杭州：浙江大學(xué)，2020.

[24]ADAMS R，BISCHOF L.Seeded region growing[J].IEEE Trans Pat?tern Anal Mach Intell，1994，16（6）：641-647.DOI：10.1109/34.295913.

[25]LEE SU，YOON CHUNG S，PARK RH.A comparative performance study of several global thresholding techniques for segmentation[J].Comput Vis Graph Image Process，1990，52（2）：171-190.DOI：10.1016/0734-189x（90）90053-x.

[26]OSHER S，F(xiàn)EDKIW R，PIECHOR K.Level set methods and dynamicimplicit surfaces[J].Appl Mech Rev，2004，57（3）：B15.

[27]VORONTSOV E，ABI-JAOUDEH N，KADOURY S.Metastatic liver tu?mor segmentation using texture-based omni-directional deformable surface models[C]//YOSHIDA H，N?PPI J，SAINI S.International MICCAI Workshop on Computational and Clinical Challenges in Ab?dominal Imaging.Cham：Springer，2014：74-83.

[28]RAJ A，JAYASREE M.Automated liver tumor detection using Markov random field segmentation[J].Procedia Technol，2016，24：1305-1310.DOI：10.1016/j.protcy.2016.05.126.

[29]SHIMIZU A，NARIHIRA T，F(xiàn)URUKAWA D，et al.Ensemble segmenta?tion using AdaBoost with application to liver lesion extraction from a CT volume[J].MIDAS J，2008.DOI：10.54294/wrtw01.

[30]ZHANG RZ，ZHAO L，LOU WT，et al.Automatic segmentation of acute ischemic stroke from DWI using 3-D fully convolutional DenseNets[J].IEEE Trans Med Imaging，2018，37（9）：2149-2160.DOI：10.1109/TMI.2018.2821244.

[31]HESAMIAN MH，JIA WJ，HE XJ，et al.Deep learning techniques for medical image segmentation：Achievements and challenges[J].J DigitImaging，2019，32（4）：582-596.DOI：10.1007/s10278-019-00227-x.

[32]RAZZAK MI，NAZ S，ZAIB A.Deep learning for medical image pro?cessing：Overview，challenges and future[EB/OL].2017：arXiv：1704.06825.http：//arxiv.org/abs/1704.06825.

[33]BADRINARAYANAN V，KENDALL A，CIPOLLA R.SegNet：A deep convolutional encoder-decoder architecture for image segmentation[J].IEEE Trans Pattern Anal Mach Intell，2017，39（12）：2481-2495.DOI：10.1109/TPAMI.2016.2644615.

[34]RONNEBERGER O，F(xiàn)ISCHER P，BROX T.U-net：Convolutional net?works for biomedical image segmentation[EB/OL].2015：arXiv：1505.04597.http：//arxiv.org/abs/1505.04597.

[35]DONG X，ZHOU YZ，WANG LT，et al.Liver cancer detection using hybridized fully convolutional neural network based on deep learning framework[J].IEEE Access，2020，8：129889-129898.DOI：10.1109/ACCESS.2020.3006362.

[36]GAO F.Liver tumor image segmentation and MVI prediction based on feature learning[D].Zhengzhou：Information Engineering Univer?sity，2022.

高飛.基于特征學(xué)習(xí)的肝臟腫瘤圖像分割與MVI預(yù)測(cè)[D].鄭州：戰(zhàn)略支援部隊(duì)信息工程大學(xué)，2022.

[37]GHONIEM RM.A novel bio-inspired deep learning approach for liver cancer diagnosis[J].Information，2020，11（2）：80.DOI：10.3390/info11020080.

[38]ALMOTAIRI S，KAREEM G，AOUF M，et al.Liver tumor segmenta?tion in CT scans using modified SegNet[J].Sensors，2020，20（5）：1516.DOI：10.3390/s20051516.

[39]ALIRR OI.Deep learning and level set approach for liver and tumor segmentation from CT scans[J].J Appl Clin Med Phys，2020，21（10）：200-209.DOI：10.1002/acm2.13003.

[40]SEO H，HUANG C，BASSENNE M，et al.Modified U-net（mU-net）with incorporation of object-dependent high level features for im?proved liver and liver-tumor segmentation in CT images[J].IEEE Trans Med Imaging，2020，39（5）：1316-1325.DOI：10.1109/TMI.2019.2948320.

[41]CHEN YL，WANG K，LIAO XY，et al.Channel-unet：A spatial channel-wise convolutional neural network for liver and tumors segmentation[J].Front Genet，2019，10：1110.DOI：10.3389/fgene.2019.01110.

[42]XI XF，WANG L，SHENG VS，et al.Cascade U-ResNets for simultane?ous liver and lesion segmentation[J].IEEE Access，2020，8：68944-68952.DOI：10.1109/ACCESS.2020.2985671.

[43]XIAO XJ，QIANG Y，ZHAO JJ，et al.Segmentation of liver lesions without contrast agents with radiomics-guided densely UNet-nested GAN[J].IEEE Access，2021，9：2864-2878.DOI：10.1109/ACCESS.2020.3047429.

[44]ZHANG Y，JIANG BX，WU J，et al.Deep learning initialized and gra?dient enhanced level-set based segmentation for liver tumor from CT images[J].IEEE Access，2020，8：76056-76068.DOI：10.1109/ACCESS.2020.2988647.

[45]ZHANG C，HUA QQ，CHU YY，et al.Liver tumor segmentation using 2.5D UV-Net with multi-scale convolution[J].Comput Biol Med，2021，133：104424.DOI：10.1016/j.compbiomed.2021.104424.

[46]BILIC P，CHRIST P，LI HB，et al.The liver tumor segmentation benchmark（LiTS）[J].Med Image Anal，2023，84：102680.DOI：10.1016/j.media.2022.102680.

[47]SOLER L，HOSTETTLER A，AGNUS V，et al.3D image reconstruction for comparison of algorithm database：A patient specific anatomical and medical image database[DB].France：Institut de Recherche contre les Cancers de l’Appareil Digestif（IRCAD），2010.https：//www.ircad.fr/research/data-sets/liver-segmentation-3d-ircadb-01/.

[48]Image Big Data Artificial Intelligence Working Committee of Chinese Society of Radiology Chinese Medical Association，Abdominal Group of Chinese Society of Radiology Chinese Medical Association，Mag?netic Resonance Imaging Group of Chinese Society of Radiology Chinese Medical Association.Expert consensus on the focal liver le?sion annotation of CT and MRI（2020）[J].Chin J Radiol，2020，54（12）：1145-1152.DOI：10.3760/cma.j.cn112149-20200706-00893.

中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì)醫(yī)學(xué)影像大數(shù)據(jù)與人工智能工作委員會(huì)，中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì)腹部學(xué)組，中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì)磁共振學(xué)組.肝臟局灶性病變CT和MRI標(biāo)注專(zhuān)家共識(shí)（2020）[J].中華放射學(xué)雜志，2020，54（12）：1145-1152.DOI：10.3760/cma.j.cn112149-20200706-00893.

收稿日期：2023-12-10；錄用日期：2024-02-18

本文編輯：王亞南

引證本文：XU J， XU WB， HE KQ， et al. Research advances in the intelligent medical imaging diagnosis of liver cancer[J]. J Clin Hepatol， 2024， 40（9）： 1880-1885.

徐捷， 徐文斌， 賀柯慶， 等 . 肝癌的醫(yī)學(xué)影像智能化診斷研究進(jìn)展 [J]. 臨床肝膽病雜志， 2024， 40（9）： 1880-1885.