T2加权成像上的“靶征”和肿瘤血管浸润的征象：鉴别HCC和其他肝脏原发性肿瘤的诊断价值
Cannella, R., Fraum, T.J., Ludwig, D.R. et al. Eur Radiol (2021).
来自于: https://link.springer.com/article/10.1007/s00330-021-07743-x
关键词：肝细胞肝癌，肝内胆管细胞癌，磁共振成像
临床问题：T2加权成像上的“靶征”和肿瘤血管浸润的征象是否可以作为潜在的LI-RADS征象用于鉴别HCC和其他肝脏恶性肿瘤。
研究目的：比较肝内胆管细胞癌和混合型肝癌的“靶征”和肿瘤血管浸润征象。
方法：回顾性评估了165例肝内胆管细胞癌，74例混合型肝癌和136例HCC（对照组）。记录“靶征”和肿瘤血管侵犯的五个征象（包裹，变窄，栓塞，闭塞和消失），并计算其敏感性和特异性。
结果：T2WI上靶征对非HCC恶性肿瘤具有高度特异性（97.3％-98.2％）。对于非HCC恶性肿瘤，在肿瘤血管侵犯征象中，栓塞和闭塞的特异性最高（分别为97.1％-100％和99.3％）。相比之下，血管包埋和消失的敏感性最高（分别为34.3％-37.2％和25.5％-29.7％）。
结论：T2WI上的“靶征”以及血管栓塞和闭塞征象对于鉴别非HCC恶性肿瘤与HCC有高度特异性。
意义：T2WI上的“靶征”作为LR-M分类的潜在LI-RADS征象是有价值的。
MRI肝脏影像报告和数据系统（LI-RADS）2018版：辅助征象作用及减少它的影响
van der Pol CB, Dhindsa K, Shergill R, Zha N, Ferri M, Kagoma YK, Lee SY, Satkunasingham J, Wat J, Tsai S. Am J Roentgenol. (2021).
来自于: https://www.ajronline.org/doi/10.2214/AJR.20.23031
关键词：肝细胞癌，磁共振成像，系统分析
临床问题：LI-RADS v2018 MRI辅助征象的作用如何？并且是否可以在不影响LI-RADS准确性的情况下减少辅助征象？
研究目的：计算有或者无辅助征象的情况下LI-RADS分类的诊断准确性。应用机器学习算法来识别无贡献的辅助征象。
方法： 依据LI-RADS v2018，回顾性评估222个肝脏观察结果是否存在MRI主要征象和辅助征象。确定LI-RADS分类及其在有无辅助征象情况下的诊断准确性。应用机器学习算法来识别无贡献的辅助征象，然后基于辅助征象的不同组合来计算LI-RADS分类的诊断效能。
结果：仅使用主要征象和应用辅助征象时，肝癌的百分比没有显著性差异。五个辅助征象被确定为无贡献：晕状强化，结中结，马赛克征，出血和脂变。
意义：一些辅助征象可以从LI-RADS v2018 MRI中删除，而且不会影响其诊断准确性。
3D卷积神经网络的深度学习用于无创预测肝细胞癌微血管浸润
Zhang Y, Lv X, Qiu J, Zhang B, Zhang L, Fang J, Li M, Chen L, Wang F, Liu S, Zhang S. J Magn Reson Imaging (2021).
来自于: https://doi.org/10.1002/jmri.27538
关键词：肝细胞癌，磁共振成像，深度学习，微血管浸润
临床问题：术前预测肝癌的微血管浸润。
研究方法：将237例手术切除并经病理证实的HCC患者的增强MR图像输入四个深度学习模型。三种模型基于单个MR序列，而第四种“融合”模型则基于三个MR序列。这些模型用于预测是否存在微血管浸润。
结果： 融合模型具有最高的预测准确性（71％）； 验证数据集灵敏性为55％，特异性为81％。
结论/意义：深度学习可用于肝癌患者术前微血管侵犯的预测。
自动分析多参数磁共振成像/磁共振弹性成像来预测非酒精性脂肪性肝炎
Dzyubak B, Li J, Chen J, Mara KC, Therneau TM, Venkatesh SK, Ehman RL, Allen AM, Yin M. J Magn Reson Imaging (2021).
来自于: https://doi.org/10.1002/jmri.27549
关键字：MRE，NASH，PDFF，肝硬度
临床问题：自动分析脂肪变性和肝脏硬度，并预测MRI上的NASH。
研究目的：比较手动分析与全自动机器学习分析的MRI质子密度脂肪分数（PDFF）和肝硬度。并研发了另外一个模型来预测NASH。
方法：前瞻性分析83例成人肥胖患者的MR弹性成像（MRE）和化学位移MR（CS-MRI）。所有患者均进行肝活检来评估NASH。 PDFF和肝脏僵硬是由两位放射科医生手动计算的。开发一种自动算法，用于自动选择感兴趣区域并计算PDFF和肝硬度。基于肝硬度值和PDFF创建了一个新的模型，预测病理诊断的NASH。
结果：自动测量与审阅者之间的一致性很高（硬度值R2= 0.87，PDFF R2= 0.99）。NASH预测模型的ROC曲线下的面积为0.87。
结论/意义：可以使用基于MRE的肝硬度和CS-MRI的PDFF的自动机器学习算法预测NASH。
References