在全球范圍內，肺/肝/胃和腸腫瘤目前占所有癌癥死亡的近一半（46%）。在原發性肝癌中，肝細胞癌是肝癌的重要分型，占原發性肝癌的70%~90%，是導致全球癌癥死亡的第三大腫瘤。肝癌的分級對病人的臨床診斷、治療方案選擇以及預后具有重要的臨床意義。

目前診斷肝癌的手段有影像檢查、活檢、AFP血清檢查等，其中最常用的醫學影像檢查包括CT和MR，CT和MR已經被公認為肝膽和乳腺癌等疾病的非侵入性檢查的首選。不同于大多數腫瘤，肝癌可以通過非侵入性的影像檢查進行確診。而且，肝癌的治療方案，包括介入治療、肝切除治療、肝移植治療等，也可不依賴于病理活檢。但是病理活檢仍是評估病灶惡性程度的必要手段。若能實現基于醫學影像的病灶分級，則可以在一定程度上對腫瘤的治療方案提供參考意見，能降低診斷對病理活檢的依賴，極大減輕患者的痛苦。在臨床應用中，分級結果高度依賴于醫生經驗，具有較大的主觀性。因此，尋求客觀、有效的分級評估方法是一個重要的研究方向。隨著模式識別、機器學習、深度學習等技術的不斷發展，借助醫學影像輔助診斷系統，構建深度學習網絡模型，對肝癌進行客觀自動的分級成為目前主流的研究方向之一。

中國科學院蘇州生物醫學工程技術研究所研究員戴亞康、周志勇和周慶等人聯合麗水市中心醫院副院長紀建松團隊和蘇州大學附屬第二醫院范國華團隊，提出了SE-DenseNet網絡，開展了基于增強MR圖像（層厚3mm~8mm不等）的肝細胞癌惡性程度分級研究。該研究從麗水市中心醫院和蘇州大學附屬第二醫院獲取了75位病人的增強核磁共振圖像，包括75例動脈期圖像、75例靜脈期圖像、63例延遲期圖像，共213個病灶ROI。該研究通過結合深度學習中的DenseNet和SENet兩種網絡結構，構建了SE-DenseNet網絡，利用SENet對特征進行權重自學習，從而達到對重要特征增強的目的，在一定程度上，SE-DenseNet緩解了DenseNet的特征冗余性。從實驗結果上看，SE-DenseNet的分類性能優于DenseNet和DenseNet-BC（SE-DenseNet：accuracy=0.83，DenseNet：accuracy=0.72，DenseNet-BC：accuracy=0.66）。該研究表明了深度學習應用于肝癌分級的可行性，具有較好的應用前景。該研究團隊將把該技術應用在其開發的肝癌消融計劃導航系統中，以更準確地輔助制定手術規劃。

該研究工作獲得國家重點研發計劃（2018YFC0116904）、浙江省重點研發計劃（2018C03024）和蘇州市民生科技（SS201854）等的資助。

相關研究成果發表于Computers in Biology and Medicine。(生物谷世聯博研Bioexcellence）

小編推薦會議  2019先進體外診斷行業峰會

http：//meeting.世聯博研Bioexcellence/2019ivd?__token=liaodefeng