目的评价使用磁共振图像(Magnetic Resonance Imaging,MRI)的深度学习(Deep Learning,DL)模型在鉴别小肝癌(small-Hepatocellular Carcinoma,s-HCC)与不典型增生结节(Dysplastic Nodules,DNs)中tumor cell biology的应用价值。资料与方法影像学资料获取:本研究回顾性收集了自2012年2月至2022年10月就诊于山东省立医院及原山东省医学影像学研究所148例肝硬化结节患者的有关资料,根据手术或超声穿刺病理结果,分为s-HCC组91例和DNs组57例,收集患者术前MRI平扫序列(T1WI、T2WI)及增强各期序列(动脉期、门静脉期、延迟期、肝胆特异期)。将不同病理类型的病例按照8:2的比例随机分为训练集与验证集。临床资料获取及统计分析:收集148例患者临床特征信息,包括年龄、性别、相关病因(有无肝炎及类型)、有无肝硬化及程度、有无腹水;血清学化验指标:甲胎蛋白(AFP)、异常凝血酶原-Ⅱ(PIVKA-Ⅱ)、糖类抗原125(CA125)、甲胎蛋白异质体L3(AFP-L3)、甲胎蛋白异质体比率(AFP-L3/AFP)、糖类抗原19-9(CA199);组织病理学资料:结节病理类型、结节分化程度以及免疫组化指标(Ki-67+、Glypican-3、Arginase-1);MRI影像信息:结节发病部位、大小、个数并对增强图像特征进行INCB018424 IC50定性评估(动脉期明显强化、门静脉期和(或)延迟期强化低于肝实质、肝胆特异期呈低信号、强化“假包膜”)。对以上资料使用SPSS 27.0版本软件进行统计分析(t检验、卡方分析及Spearman相关性分析),结果以P<0.01认为差异具有显著统计学意义,以P<0.05认为差异具有统计学意义。建立模型与效能检验:将上述所收集的DICOM格式MRI图像导入ITK-SNAP 软件(Version 3.8.0)中进行手动感兴趣区(Region Of Interest,ROI)的勾画,获取标记后mask像,以.NTTFI格式导出。结合3D卷积神经网络(CNN)深度学习技术,选择了 3D-resnet18,3D-resnet34,3D-resnet50三种网络构架,分别结合BCE,MSE,MACompound C NMRE,SMOOTH L1四类损失函数,进行预实验,并筛选网络构架和损失函数最优组合,使用最优组合建立鉴别s-HCC与DNs的3D CNN AI预测模型。利用最优损失函数及AdamW优化算法对模型进行反复训练,用验证集数据对模型效能进行检验,使用5折交叉验证法以准确度、特异度、灵敏度指标为衡量标准来评估所构建预测模型的诊断效能。结果患者临床影像资料t检验及卡方检验统计分析显示:AFP、AFP-L3/AFP、PIVKA-Ⅱ、动脉期明显强化、门静脉期和(或)平衡期强化低于肝实质、肝胆期特异期呈低信号,这七项临床及影像指标在s-HCC组与DNs组差异具有统计学意义(P<0.05)。患者性别、年龄、肝硬化病因、肝硬化程度及强化“假包膜”这五项临床变量资料差异在两组间均无统计学意义(P>0.05)。对差异有统计学意义指标进行Spearman相关分析显示:肝胆特异期呈低信号与DNs组和s-HCC组之间关系为呈正性强相关;动脉期明显强化、门静脉期和(或)延迟期强化低于肝实质与两组呈正性中等程度相关,而血清学指标AFP、AFP-L3/AFP、PIVKA-Ⅱ与两组呈正性弱相关。3D-Resnet18网络架构结合BCE损失函数得到的模型准确度最高,结合两者建立了基于CNN的3D-Resnet18 AI预测模型,经过5折交叉验证测试,结果显示模型准确度最高值为0.864,最低值为0.692,平均准确度为0.7698±0.02914(95%CI,0.6889～0.8507),特异度为 0.7890,灵敏度为 0.7052。结论通过利用DL算法提取磁共振影像信息特征,建立3D-Resnet18 AI预测模型可有效实现对s-HCC与DNs的鉴别。通过对s-HCC与DNs患者术前临床影像资料特征的统计分析,得出肝胆特异期呈低信号与DNs和s-HCC具有正性强相关,可辅助临床医师对两者进行鉴别。本研究对三种网络构架(3D-Resnet18、3D-Resnet34、3D-Resnet50)进行初筛测试,证明了在数据集相对较少的分类任务上,较浅层的网络构架(3D-Resnet18)更容易学习到数据特征从而实现对样本的准确分类。