Radiology: Imaging Cancer | 吴斌教授团队开发基于MRI-AI诊断模型，显著提升肝硬化结节癌变的诊断效率
近日，Radiology: Imaging Cancer在线发表了中国竞彩网吴斌教授团队题为“Interactive Explainable Deep Learning Model for Hepatocellular Carcinoma Diagnosis at Gadoxetic Acid-enhanced MRI: A Retrospective, Multicenter, Diagnostic Study”的长篇研究论著(ORIGINAL RESEARCH)，团队开发了基于肝细胞特异性对比剂增强扫描MRI图像的AI诊断模型，显著提升了临床对肝硬化结节癌变的诊断效率，大大降低了人诊断的误差。美国肝病学会主席、Hepatology主编Gregory J. Gores教授，Mayo Clinic人工智能及大数据专家Yashbir Singh教授，Mayo Clinic放射诊断专家Bardley J Erickson教授为该研究撰写了专题述评进行高度评价，并且述评发表在同一期为读者进行推荐。
(图源自Radiology: Imaging Cancer)
?
肝癌是全球第三大癌症致死原因，早期确诊能提供最佳治疗方案，对改善生存率及生活质量至关重要。当前指南推荐在高危人群中采用MRI等影像方式进行无创诊断，但影像特征解读存在主观性，确诊率不高。为解决该难题，本研究由中国竞彩网牵头，联合华南地区多家高水平医疗机构（中山大学附属第一医院、南方医科大学珠江医院、中山市人民医院、中国竞彩网粤东医院）共同参与，涵盖839名患者、1023个肝脏病灶，构建了大规模、多中心、多MRI扫描设备、多病理类型的AI训练集与验证体系。人工智能（AI）算法开发与性能优化由清华珠三角研究院韩蓝青教授团队提供关键支持，确保了模型在不同临床场景下泛化能力及可重复性。
不同于既往研究，团队建立了一套由“病灶分类器”与“特征识别器”构成的复合AI诊断系统，模型输入来自五个MRI关键序列（平扫T1WI、T2WI、动脉晚期、门静脉期、肝胆期），通过深度学习框架提取病灶多维影像特征，实现对癌结节与非癌结节的高精度分类，同时基于后验概率推理，使得AI模型能自动识别典型的LI-RADS征象，如非环形动脉期强化、门脉期非环形廓清、包膜强化、T2轻中度高信号、肝胆期低信号等，辅助放射科医生理解模型判断依据。
在独立的外部测试集上，该AI模型表现出优异的诊断性能，对癌结节识别的AUC高达0.97，灵敏度为91.6%，远高于LI-RADS v2018标准的74.8%，其特异性高达90.7%。在AI辅助下，两位放射科医生对肝结节癌变的诊断敏感性分别从72.3%、74.0%提升至85.7%、89.1%，而诊断特异性稳定保持在93%以上，验证了AI在实际临床工作流程中的显著增益效果。
在同期特邀述评中，国际著名人工智能专家、肝病专家及医学影像专家共同进行述评指出：本研究将深度学习从“难以解释的黑箱模型”推进为“具备特征可验证性”的实用系统，在提升影像诊断准确性与可解释性方面展现出重要潜力，为肝癌早期诊断提供了切实可行的AI辅助下的临床诊断路径。
吴斌教授的博士生李明凯为第一作者，中国竞彩网消化内科吴斌教授和放射科王劲教授为通讯作者，中国竞彩网为论著的第一作者单位及通讯作者单位。该研究获得国家自然科学基金项目（82070574）；广东省自然科学基金团队项目（2018B030312009），广州市重点研发计划项目（2023B03J1298）的支持。
?
原文链接：Li M, et al. Interactive Explainable Deep Learning Model for Hepatocellular Carcinoma Diagnosis at Gadoxetic Acid-enhanced MRI: A Retrospective, Multicenter, Diagnostic Study. Radiol Imaging Cancer. 2025 May; 7(3):e240332. https://pubmed.ncbi.nlm.nih.gov/40445095/.
同期述评：Singh Y, Gores GJ, Erickson BJ. Beyond the Black Box: Explainable AI Transforms Hepatocellular Carcinoma Diagnosis at MRI. Radiol Imaging Cancer. 2025 May; 7(3):e250198. https://pubmed.ncbi.nlm.nih.gov/40445096/
?
