深度学习与数字病理助力预测脂肪肝疾病中的HCC发展

背景与目的：识别脂肪肝疾病中高风险发展为肝细胞癌（HCC）的患者依然具有挑战性。我们提出了一种深度学习（DL）模型，利用经组织学确诊脂肪肝疾病的苏木精-伊红染色全切片图像预测HCC发展。方法与结果：纳入了639例活检后≥7年未发展HCC的患者（非HCC组）及46例活检后7年内发展HCC的患者（HCC组）。通过活检日期和机构匹配的HCC与非HCC病例对用于训练，剩余非配对病例用于验证。DL模型采用深度卷积神经网络训练，使用来自配对病例全切片图像的28,000个图像块，预测HCC发展的准确率为81.0%，AUC为0.80。非配对病例验证亦显示良好准确率82.3%和AUC 0.84。此结果与基于纤维化分期的逻辑回归模型预测能力相当。值得注意的是，DL模型还检测出了轻度纤维化患者中HCC发展的病例。DL模型生成的显著性图强调了与HCC发展相关的多种病理特征，包括细胞核异型、核质比高的肝细胞、免疫细胞浸润、纤维化以及缺乏大脂滴。结论：DL模型捕捉到的超越纤维化的细微病理特征表明其在识别脂肪肝疾病患者肝癌早期迹象中的潜力。