首页 > 文章详情

利用AI和深度学习方法构建肝癌早期检测与分类的自动化预测框架

12月26日

整理：肿瘤资讯

来源：肿瘤资讯

肝癌，特别是肝细胞癌（HCC），是全球范围内主要的癌症相关死亡原因之一。尽管在治疗方面取得了一定进展，但由于早期症状隐匿，大多数患者确诊时已处于晚期，错失了最佳治疗时机。早期检测对于提高患者生存率和改善治疗效果至关重要。传统的诊断方法，如超声、CT、MRI和甲胎蛋白（AFP）检测，存在敏感性不足、依赖医生主观经验等局限性。随着人工智能（AI），特别是深度学习（Deep Learning, DL）技术的飞速发展，其在医学影像分析领域的应用展现出巨大潜力。近期发表于 Frontiers in Oncology 的一项研究，提出了一种名为LiverCompactNet的先进深度学习框架，旨在实现肝癌的早期检测和精准分类，为临床决策提供了强有力的辅助工具.。【肿瘤资讯】特整理该研究精华，以飨读者。

研究背景

肝癌的高发病率和死亡率使其成为全球关注的公共卫生问题。慢性乙型肝炎（HBV）、丙型肝炎（HCV）感染以及肝硬化是主要风险因素。目前的诊断手段在早期微小病灶的识别上仍面临挑战。卷积神经网络（CNN）作为深度学习的核心技术，能够自动从原始图像中学习特征，在医学图像分类、分割和识别任务中表现优异。已有多项研究表明，基于CNN的模型在检测肝脏病变方面可达到甚至超越放射科医生的水平。然而，现有的模型大多侧重于二分类（如有无肿瘤），对于癌症分期（早期、中期、晚期）的整合仍显不足。该研究旨在通过设计一种高效且精准的 AI 框架，为临床医生提供一个可靠的“第二意见”，从而支持快速、准确的诊断决策，最终提升 HCC 患者的早期治疗率和长期生存率。

研究方法

1. 数据集构建与预处理

本研究构建了一个包含5000张肝脏影像（包括 CT 和 MRI）的数据集，分为良性（1500张）、恶性（1500张）和正常（2000张）三类。数据来源于公开数据库（LiTS Challenge, TCIA）及合作医疗机构。为了防止过拟合和保证模型的泛化能力，数据集被划分为训练集（70%，3500张）、验证集（15%，750张）和测试集（15%，750张）。

数据预处理是关键步骤，包括图像标准化（统一尺寸为512x512像素）、像素强度归一化（缩放至0-1范围）、去噪（高斯滤波）以及数据增强（旋转、翻转、缩放等），以增加数据多样性并提高模型鲁棒性。此外，还采用了主成分分析（PCA）对提取的特征进行探索性分析，以可视化数据的方差结构和可分性（图1）。

图片5.png

图1. 研究方法流程概览

2. 模型架构：LiverCompactNet

研究提出了一种名为LiverCompactNet的新型轻量级CNN架构。该模型基于ResNet-18进行了优化，旨在以较低的计算成本实现高精度的诊断。模型包含一个初始卷积块（7x7卷积核），随后是四个残差阶段，每个阶段包含两个基本块（3x3卷积、批量归一化、ReLU激活）（图2）。通过残差连接解决梯度消失问题，使网络能够学习更复杂的特征。最后通过全局平均池化层和全连接层输出分类结果（良性、恶性、正常）。该模型总参数量约为1120万，既保证了深度特征提取能力，又降低了计算复杂度。

图片6.png

图2. LiverCompactNet模型架构示意图

3. 训练与评估

模型训练采用Adam优化器，初始学习率设为0.001，并应用Dropout正则化防止过拟合。训练过程在GPU上进行，共迭代20个Epoch。评估指标包括准确率、精确率、灵敏度、特异性和F1分数，以及受试者工作特征曲线下面积（AUC-ROC）。

研究结果

卓越的分类性能

LiverCompactNet在测试集上表现出极高的诊断效能。总体准确率达到99.1%，对恶性肿瘤的检测灵敏度为98.3%，特异性高达99.4%，精确率为97.6%。AUC-ROC评分达到0.995，表明模型在区分良性、恶性和正常肝脏图像方面具有近乎完美的分类能力（图3）。

图片7.png

图3. LiverCompactNet模型的性能指标

训练过程与收敛性

训练过程显示，随着迭代次数增加，模型的准确率稳步提升，损失值逐渐下降。训练准确率从第1个Epoch的90%上升至第20个Epoch的99%，验证准确率也从88%提升至98.5%（图4）。训练损失趋近于零，验证损失略高但保持在低位，表明模型学习效果良好且未出现严重的过拟合。

图片8.png

图4. 训练与验证过程中的准确率与损失变化

分级性能与临床相关性

混淆矩阵分析显示，模型在三个类别（良性、恶性、正常）间的误判率极低。各类别的F1分数均超过0.95，表明模型对各类样本的识别能力均衡，未受类别不平衡的影响。特别是对于恶性肿瘤，仅有极少数病例被漏诊或误诊，体现了其在临床应用中的可靠性。

结论

本研究成功开发并验证了LiverCompactNet这一深度学习框架，用于肝癌的早期检测与分类。该模型在多源、平衡的数据集上展现出了卓越的性能，准确率、灵敏度和特异性均达到临床级水平。然而，尽管研究结果令人鼓舞，但仍需正视其局限性，包括模型目前主要依赖回顾性数据集，且主要在内部进行了验证。未来的研究应致力于在更大规模、多中心的独立前瞻性队列中验证 LiverCompactNet 的临床普适性，并应将影像组学、基因组学或蛋白质组学等多模态数据整合到 AI 框架中，以进一步增强模型的预测能力和临床指导价值。通过持续优化，AI 驱动的诊断工具将有望成为 HCC 精准医疗和个体化治疗方案制定的关键支撑。

参考文献

Dai Y, Gao F, Chen Y, Xu S, Qiu C and Cai X (2025) Automated predictive framework using AI and deep learning approaches for early detection and classification of liver cancer. Front. Oncol. 15:1650800. doi: 10.3389/fonc.2025.1650800

审批编号：CN-175103

过期日期：2026-12-17

声明：本材料由阿斯利康提供支持，仅供医疗卫生专业人士参考

责任编辑：肿瘤资讯-Skye
排版编辑：肿瘤资讯-Sally