Hintergrund: Ziel der Studie war es, ein Deep Learning Modell zu trainieren, welches histopathologisch validierte, teils atypisch erscheinende hepatozelluläre Karzinome (HCC) und Nicht-HCC-Läsionen auf MRT-Bildern korrekt unterscheiden kann.
Methodik: Diese durch die Ethikkommission genehmigte retrospektive Studie umfasste 118 Patienten mit 150 Läsionen (93 HCC (62%) und 57 Nicht-HCC (38%)), welche mittels Biopsien (n = 72), Resektionen (n = 29), Lebertransplantationen (n = 46) und Autopsien (n = 3) histopathologisch validiert wurden. Insgesamt zeigten 47% der HCC-Läsionen atypische Bildmerkmale, welche nicht die „Liver Imaging Reporting and Data System“ [LI-RADS] Kriterien für ein definitives HCC/LR5 erfüllten. Ein 3D-Convolutional Neural Network (CNN) wurde mit 140 Läsionen trainiert. Anschließend wurde anhand der 10 verbleibenden Läsionen (5 HCC/5 Nicht-HCC) seine Fähigkeit zur korrekten Klassifizierung getestet. Die Performance des Modells wurde über 150 Runs gemittelt, wobei zufälliges Sub-Sampling eine Ausbalancierung der Testsets ermöglichte. Ein Grading-System wurde entwickelt, um Ähnlichkeiten zwischen atypischen HCC bzw. Nicht-HCC zu demonstrieren, welche zu Fehlklassifikationen des CNNs geführt haben.
Ergebnisse Das CNN zeigte eine Gesamtgenauigkeit von 87.3%. Die Sensitivität bzw. Spezifität für die Charakterisierung der HCC-Läsionen betrug 92.7% bzw. 82.0%, für Nicht-HCC 82.0% bzw. 92.7%. Die Area Under the Receiver Operating Curve (AUC) lag bei 0.912. Die Performance des CNNs wurde mit dem Grading-System korreliert und verschlechterte sich, je mehr atypische Bildmerkmale eine Läsion aufwies.
Schlussfolgerung: Diese Studie bietet eine erste Evidenz für die CNN-basierte Klassifikation von bildmorphologisch typisch sowie atypisch erscheinenden Leberläsionen in der MRT unter Verwendung der histopathologischen Diagnose als “Ground Truth”.
Objectives: To develop a deep learning model that discriminates pathologically proven hepatocellular carcinoma (HCC) and non-HCC lesions including lesions with atypical imaging features on MRI.
Methods: 118 patients with 150 lesions (93 HCC (62%) and 57 non-HCC (38%)) histologically confirmed via biopsy (n = 72), resections (n = 29), liver transplant (n = 46), and autopsy (n = 3) were included in this IRB-approved retrospective study. Atypical imaging features (not meeting Liver Imaging Reporting and Data System [LI-RADS] criteria for definitive HCC/LR5) were shown by 47% of HCC lesions. A 3D convolutional neural network (CNN) was trained on 140 lesions and tested for its ability to classify the 10 remaining lesions (5 HCC/5 non-HCC). Performance of the model was averaged over 150 runs with random sub-sampling to provide class-balanced test sets. The similarity between atypical HCC and non-HCC lesions prone to misclassification by the CNN was captured using a new lesion grading system.
Results: An overall accuracy of 87.3% was found for the CNN. Sensitivities/specificities for HCC and non-HCC lesions were 92.7%/82.0% and 82.0%/92.7%, respectively. The Area Under the Receiver Operating Curve was 0.912. Performance of the CNN was correlated with the lesion grading system, becoming less accurate the more atypical imaging features the lesions showed.
Conclusion: This study provides proof-of-concept for CNN-based classification of both typical- and atypical-appearing HCC on multi-phasic MRI, utilizing pathologically confirmed lesions as “ground truth”.
