《International Journal of Computer Assisted Radiology and Surgery》:Resection zone prediction for parenchyma-sparing hepatectomy planning: a comparative study of three modeling paradigms
编辑推荐:
目的:肝实质保留肝切除术(parenchyma-sparing hepatectomy)规划依赖于准确的切除区,以在不影响肿瘤学切缘的情况下保留功能性肝组织。本工作研究不同复杂程度的解剖和功能信息如何影响原发性肝癌肝实质保留手术规划中的切除区预测。方法:研究人
目的:肝实质保留肝切除术(parenchyma-sparing hepatectomy)规划依赖于准确的切除区,以在不影响肿瘤学切缘的情况下保留功能性肝组织。本工作研究不同复杂程度的解剖和功能信息如何影响原发性肝癌肝实质保留手术规划中的切除区预测。方法:研究人员比较三种建模范式:基于几何距离的方法、使用血管解剖的显式灌注方法以及基于U-Net架构的深度学习模型。所有方法均在由分割得到的肝脏、肿瘤和血管表示上运行。性能使用重叠和距离指标评估。结果:距离模型产生的预测表面偏差有限(HD95 33.89 mm),但因欠分割导致重叠较低(DSC 58.18%)。灌注方法在重叠(DSC 67.41%)和边界准确性(HD95 37.92 mm)之间取得良好平衡,但由于严格的二值灌注假设而倾向于高估预测区域。深度学习模型获得最高重叠准确性(DSC 76.31%),同时表现出较大的距离误差(HD95 65.21 mm),反映局部边界不准确。结论:对于肝实质保留切除规划,没有一种模型普遍优于另外两种。深度学习显示出强预测性能,特别是对于较大切除体积,而几何和灌注模型提供更高的可解释性和临床可控性。距离方法非常适合最大程度保留肝实质的切除,而灌注建模对邻近血管且可能存在灌注丢失的肿瘤有利。研究人员的结果强调不同手术策略引起的变化,从而可为个体患者手术规划提供有价值的指导。
在该研究中,研究人员围绕原发性肝癌的肝实质保留肝切除术(parenchyma-sparing hepatectomy)规划,比较三种切除区预测建模范式。原发性肝癌是全球第三大癌症相关死亡原因,2022年新诊断超过80万例,每年死亡超过70万例;治疗取决于肿瘤类型和患者年龄、体能、肝功能等因素,手术切除或移植仍是主要治愈选项。为避免术后肝衰竭,必须保留足够的未来残肝(future liver remnant, FLR):健康肝脏至少20%–30%,肝功能储备受损者≥40%。因此,术前规划需整合肿瘤位置、肝脏灌注(动脉、门静脉和肝静脉)及胆道引流,以优化术后功能和肿瘤学结局。肝切除策略随肿瘤范围、位置、类型和患者因素变化,从大范围肝切除到段切除或不典型楔形切除。肝实质保留手术在不牺牲肿瘤学安全的情况下最小化切除肝体积,可扩大治愈性手术适应证、降低手术应激和并发症,并为未来切除保留肝功能。然而,近期仅有少数技术方法关注肝切除区预测。Rakshit et al. 在肝脏解剖点云上提出几何深度学习框架,从分割结构预测切除区并评估损失函数;Messaoudi et al. 研究自动FLR预测,发现肝脏、肿瘤和血管的显式解剖分割对准确预测至关重要,优于仅基于CT强度的方法,且最优输入取决于网络。与既往工作不同,该研究聚焦肝实质保留肝切除规划,探讨不同解剖和功能输入如何影响切除区预测,其贡献在于比较距离、灌注和深度学习三类建模范式,并分别评估各范式的优势、局限和肝实质保留潜力,为未来混合策略提供基础。
关键方法:研究人员使用德国美因茨大学医学中心(University Medical Center Mainz,Clinic for General, Visceral, and Transplant Surgery)数据库,包含312例患者338例非腹腔镜肝肿瘤切除,主要因肝细胞癌(hepatocellular carcinoma, HCC)和肝内胆管癌(intrahepatic cholangiocarcinoma, ICC)进行,由七位外科医生完成;纳入排除后104例患者104个切除区。分割掩膜来自手术规划软件(?FUJIFILM Healthcare)的STL文件,栅格化为0.4 mm各向同性体素。三种模型:距离模型用欧氏距离变换、全局方向与8 mm扩张;灌注模型对门静脉和肝静脉骨架化建图,按最大半径节点推断流向,并以Selle et al.方法分配肝体素;深度学习采用nnU-Net,以肝脏、肿瘤、门静脉和肝静脉组合掩膜为三通道输入,五折交叉验证训练,无后处理。性能用Dice相似系数(Dice similarity coefficient, DSC)、交并比(intersection over union, IoU)、95百分位Hausdorff距离(95th-percentile Hausdorff distance, HD
95)、最大Hausdorff距离(maximum Hausdorff distance, HD
max)和平均表面距离(average surface distance, ASD)评估。
结果:定量比较。研究人员用重叠指标(DSC、IoU)和距离指标(HD
95、HD
max、ASD)比较预测与真实切除区。距离模型倾向于低估切除区,灌注和深度学习模型与真实区体积一致性改善,尤其在血管解剖影响区域。重叠指标显示深度学习模型最接近真实切除区,DSC和IoU持续更高;灌注方法较距离模型改善重叠,反映其能考虑超出纯几何边界的下游组织丢失。距离指标呈相反趋势:距离模型距离误差最低,深度学习模型HD
95和HD
max较高,并偶发空间远隔的错误切除区实例,显著影响距离指标。统计检验。研究人员以DSC和HD
95分析肿瘤位置、切除区体积和手术类型对性能的影响。肿瘤深度相关性。Pearson相关分析(α=0.05)显示,所有模型肿瘤深度(肿瘤质心到最近肝表面的最小欧氏距离)与DSC显著相关,深部肿瘤重叠改善;但相关性强度在灌注模型较低,在深度学习模型进一步降低,提示对这些范式影响较小;与HD
95无显著相关。肿瘤体积/切除区体积比。肿瘤体积(V
T)与切除区体积(V
RZ)的比值被分析;由于距离和灌注模型按设计预测比肿瘤更大的切除,DSC预期随V
T/V
RZ升高而增加,一致地,较高比值与各模型和指标的改善相关,但灌注模型的HD
95除外。亚组分析。研究人员用双侧Mann–Whitney U检验比较段切除与不典型切除。三个模型中至少一个评价指标在段切除与不典型切除间存在统计学显著差异,但并非所有指标均一致显著。总体上,中位DSC值一致表明不典型切除在各模型中重叠性能较低;HD
95模式较不一致:深度学习模型的不典型切除中位HD
95较高,而距离和灌注模型显示中位HD
95略低且四分位距减小,提示边界偏差更受限。
讨论部分。研究人员讨论三种模型在肝实质保留肝切除规划中的权衡。与Rakshit et al. 相比,其报道DSC为84%,高于本深度学习模型的76.31%;两者使用相似解剖输入,但前者基于分割CT体积的点云,后者使用体素掩膜,避免中间变换并减少累积误差;且前者数据集包含大范围肝切除和多灶性疾病,后者聚焦原发性肝癌的肝实质保留切除,因此性能差异可能与目标场景有关,大体积通常产生更高DSC。Messaoudi et al. 预测结直肠癌肝转移患者的FLR,最佳U-Net模型DSC为87%、HD
95为4.81 mm;其网络架构和输入表示与本DL模型概念相似,但预测目标不同,FLR是切除区的补集,通常更大且与肝边界大量重叠,因此距离和重叠指标天然更高,限制直接比较。距离模型DSC 58.18%、HD
95 33.89 mm,因系统性欠分割导致重叠较低,但设计上生成边距感知但体积受限的切除区,故距离误差较小;其适合表面近的不典型切除和最大肝实质保留,可通过可调边距控制切除范围;较高肿瘤/切除体积比时性能更好。局限包括方向向量估计不准,可能指向手术不可及区域,以及倾向生成圆柱形而非楔形切除区,加入角度成分可能改善。灌注模型DSC 67.41%、HD
95 37.92 mm,在重叠和距离性能间取得最佳平衡,适合段切除;对邻近大血管肿瘤有利,可考虑下游灌注丢失并调整边距;但严格二值非灌注定义导致过度分割,因为肝灌注高度互联,概率或距离加权模型可能减轻。其他局限包括缺失血管交叉会使切除区限制在肿瘤边缘,与大血管交叉可产生不现实大区。深度学习模型DSC 76.31%最高,但HD
95 65.21 mm最大,整体体积预测准确,但可能产生局部过度分割和孤立假阳性。未来可加入表面距离感知损失(如HD
95、ASD、表面Dice)、临床元数据、连通域后处理或与距离/灌注模型结合。所有模型中,不典型非解剖切除通常比段切除更难预测,突显其个体化性质。三种模型可视为适合不同手术策略的模块化组件,可提供个体切除建议或组合成混合框架以辅助可切除性决策,旨在支持而非替代临床专业判断。未来工作将探索将灌注感知和距离方法与深度学习结合,作为训练或后处理步骤,并补充段标准化肝切除以增加临床适用性。
结论翻译:在这项工作中,研究人员研究了用于肝脏切除区预测的三种建模范式。除基于距离和基于深度学习的方法外,研究人员纳入了显式灌注感知建模,这一方面在近期方法中大多缺失。此外,患者个体化切除规划和手术决策可通过向外科医生提供多个具有不同细微差别的切除方案而大幅受益。研究结果表明,没有单一方法普遍最优,因为每种模型根据临床背景提供不同优势。深度学习对较大和更标准化的切除体积取得最强预测性能,在所有测试指标中显示统计学显著相关性,并对更深肿瘤和更高V
T/V
RZ比率具有改善性能。基于距离的建模特别适合最大程度保留肝实质的切除,并与更高V
T/V
RZ比率具有最强相关性,因此对功能储备有限或相关共存病理的患者尤其相关。基于灌注的建模在肿瘤位于大血管附近时特别有益,此时在切除规划中必须考虑潜在下游灌注丢失。因此,这些方法应被视为模块化构建块,可选择或组合以生成有依据的初始切除建议,并随后根据外科专业知识和患者特异性因素进行优化。