双深度学习方法用于非侵入性肾肿瘤分型结合VERDICT-MRI

《npj Imaging》:Dual deep learning approach for non-invasive renal tumour subtyping with VERDICT-MRI

【字体: 大 中 小 】 时间:2026年01月08日 来源:npj Imaging

编辑推荐:

  肾细胞癌(RCCs)有多种亚型,仅凭影像学难以区分。本研究利用扩散磁共振成像(dMRI)和肿瘤细胞术的血管、细胞外和受限扩散(VERDICT)-MRI框架来表征肾肿瘤微结构。患者前瞻性招募自RIM试验(ClinicalTrials.gov: NCT071731

  
肾细胞癌(RCCs)有多种亚型,仅凭影像学难以区分。本研究利用扩散磁共振成像(dMRI)和肿瘤细胞术的血管、细胞外和受限扩散(VERDICT)-MRI框架来表征肾肿瘤微结构。患者前瞻性招募自RIM试验(ClinicalTrials.gov: NCT07173140, 20/11/2024)。14名患者共17个肾肿瘤(包括良性及多种RCC亚型)接受了使用9个b值(0–2500 s/mm2)的dMRI检查。采用自监督神经网络拟合三室VERDICT模型。与较简单的dMRI模型相比,VERDICT更准确地捕捉了肿瘤和健康组织中的扩散数据。VERDICT揭示了癌组织与正常组织之间细胞内体积分数的显著差异,以及血管区域与非血管区域之间血管体积分数的显著差异。一种特征选择方法确定了简化的4个b值方案(b = [70, 150, 1000, 2000]),将扫描时间缩短了30分钟以上,从而可在更大队列中进行更高效的成像。
**论文解读:用于肾肿瘤非侵入性分型的双深度学习方法结合VERDICT-MRI**

**研究背景与问题**

肾细胞癌(RCC)是全球常见的恶性肿瘤,占癌症诊断和死亡的约2%,其中超过90%为肾细胞癌,具有多种亚型(如透明细胞ccRCC、乳头状pRCC、嫌色细胞chRCC等)。目前临床主要依赖计算机断层扫描(CT)进行诊断,但不同亚型间影像特征存在显著重叠,尤其良性嗜酸细胞瘤与恶性亚型难以区分。尽管扩散加权MRI(DW-MRI)通过表观扩散系数(ADC)可提供微结构信息,但ADC混淆了多种生理参数,特异性低。体素内不相干运动(IVIM)模型虽能分离扩散与血流伪扩散,但仍简化了复杂组织微结构。既往VERDICT-MRI框架已在结直肠、前列腺和脑肿瘤中成功应用,但尚未用于肾脏。本研究旨在首次建立肾肿瘤VERDICT模型,利用深度学习优化模型拟合和采集协议,提高诊断准确性并推动临床转化。论文发表于《npj Imaging》。

**主要技术方法(不超过250字)**

主要关键技术方法包括:1)扩散MRI(dMRI)采集:在3T MRI系统上,使用9个b值(0–2500 s/mm2)的脉冲梯度自旋回波(PGSE)序列,患者来自RIM试验(14名患者,17个肿瘤,包括良性及RCC亚型)。2)VERDICT模型与拟合:应用三室生物物理模型(细胞内IC、血管VASC、细胞外-血管外EES),通过自监督深度学习神经网络进行参数估计,无需预训练数据。3)协议优化:采用双网络深度学习特征选择方法(特征评分网络和预测网络),从27个方向测量中选出最优4个b值(70, 150, 1000, 2000 s/mm2),将扫描时间从46分钟缩短至14分钟。忽略试剂和培养步骤。

**研究结果**

**Patient demographics(患者人口统计学)**:14名患者(平均年龄66±11岁,女男比1:3.6)共17个肿瘤,其中15个有组织学确认,包括ccRCC、pRCC、chRCC、嗜酸细胞瘤及未分类RCC(uRCC)。

**Histological validation of the VERDICT model(VERDICT模型的组织学验证)**:通过H&E染色和CD34(血管内皮标志物)免疫组化分析,ccRCC和pRCC细胞密度高于chRCC和嗜酸细胞瘤;血管性肿瘤(ccRCC、嗜酸细胞瘤、chRCC)的CD34阳性率(12.6%、10.4%、7.1%)高于非血管性肿瘤(pRCC为2.8%),支持了VERDICT模型的分组依据。

**VERDICT, IVIM and ADC model fitting of normal and cancerous tissue(VERDICT、IVIM和ADC模型拟合正常与癌组织)**:在肿瘤和正常肾组织感兴趣区(ROI)中,VERDICT的均方误差(MSE)均低于IVIM和ADC,表明其更准确地描述了扩散数据。

**VERDICT and ADC parameter estimates(VERDICT与ADC参数估计)**:VERDICT的细胞内体积分数(fIC)在癌组织(0.32)与正常组织(0.12)间差异显著(p<0.01),ADC亦存在显著差异(1.6 vs 2.3,p<0.05)。良性嗜酸细胞瘤的fIC(0.17)与正常组织无显著差异。高等级uRCC(fIC=0.59)和pRCC(fIC=0.55)的fIC和细胞半径(R)趋势高于低等级肿瘤(fIC=0.21±0.07)。血管体积分数(fVASC)在血管性肿瘤(ccRCC、嗜酸细胞瘤、chRCC)中显著高于非血管性(uRCC、pRCC)(0.29±0.05 vs 0.13±0.02,p<0.05),而IVIM的fIVIM无显著差异。

**Deep learning protocol optimisation(深度学习协议优化)**:双网络特征选择方法从9个b值中识别出4个最优b值(70, 150, 1000, 2000 s/mm2),参数图质量基本保持,MSE相似,统计显著性保留,扫描时间减少32分钟(从46分钟降至14分钟),展示了临床转化可行性。

**讨论总结与研究结论翻译**

讨论部分指出:本研究首次建立肾肿瘤VERDICT模型,在14名患者队列中验证其优于IVIM和ADC,能提供更准确的微结构信息并区分组织类型。fIC和fVASC的差异与组织学一致。优化后的四b值协议具有同等诊断性能,扫描时间显著缩短,便于临床推广。局限性包括样本量小、非配对组织学验证、EPI序列导致的场不均匀性。未来需扩大队列、进行配对组织学分析、分离血管性成分(灌注与管流)及校正图像畸变。

研究结论翻译:总之,本研究开发了用于肾肿瘤的VERDICT-MRI模型,并在14名患者队列中分析结果。研究人员表明,VERDICT比ADC提供更好的数据描述和增强的微结构信息,例如患者组间细胞内和血管体积分数(fIC、fVASC)的差异。研究人员利用新颖的深度学习进展来进行模型拟合以确保鲁棒性,并识别出显著更短的采集协议。研究人员发现,使用简化的协议可以获得与原始协议相当的诊断性能,从而促进该技术的顺利临床转化。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号