肝细胞癌(HCC)是最常见的恶性肿瘤之一，被列为全球癌症相关死亡的第四大原因。微血管侵犯(MVI)，即肝脏血管内存在微转移的HCC栓子，被认为是手术切除和肝移植后复发的关键决定因素。因此，术前对MVI的准确评估对于选择合适的手术干预措施具有重要的临床意义。

现阶段，包括CT和MR图像在内的医学图像已经被提取出来根据形态学特征来预测HCC的MVI;然而，定性分析受到主观解释差异的限制。作为一种评估组织动力学特性的MRI，扩散加权成像(DWI)是一种有希望精确预测MVI的方法。其主要优点是不需要使用造影剂和不涉及电离辐射。带有体素内非相干运动(IVIM)的多b值DWI可以使用双指数模型区分真正的分子扩散和微毛细血管灌注，这可能比使用单指数模型计算的表观扩散系数(ADC)更准确地确定组织灌注和扩散。目前，IVIM-DWI在临床应用中的准确性主要是基于IVIM参数的定量描述。然而，从双指数模型得出的IVIM参数对DWI中的运动和伪影非常敏感[，这大大降低了IVIM-DWI在肿瘤表征中的性能。

机器学习和人工智能的发展为CT和MR成像分析增加了一个新的范围。以前的一项研究利用深度卷积网络阐明了DWI中多个b值之间的关系，从多个b值图像中学习到的深度学习特征表示被用于描述癌症病变。此外，最近发表的研究利用深度卷积网络提取了DWI中多个b值图像的深度特征，可以更好地预测HCC的MVI。据我们所知，以前有研究报告提出了一个基于注意力的深度学习模型来处理IVIM数据，以提高肿瘤特征分析的性能，但没有考虑任何临床信息和统计分析。

近日，发表在European Radiology杂志的一项研究开发和评估一个基于IVIM-DWI的以实现准确预测HCC的术前MVI深度学习模型，在临床实践中更好地描述病变特征以实现预后预测。

本项回顾性研究包括2014年12月-2021年8月的114名病理证实的HCC患者。所有患者术前都接受了包括9个b值的IVIM序列的MRI检查。首先，将9个b值图像在通道维度上进行叠加，得到一个形状为32×32×9维度的b值容积。其次，采用图像重采样方法进行数据扩增，以产生更多的样本用于训练。最后，从基于CNN的b值体中直接得出预测HCC中MVI的深度特征。此外，还构建了一个基于参数图的深度学习模型和一个结合了IVIM、临床特征和IVIM参数的深度特征的融合模型。进行接受者操作特征(ROC)曲线分析，以评估HCC中MVI预测的诊断性能。

使用CNN从IVIM-DWI直接提取的深度特征(0.810(范围0.760，0.829))产生了比IVIM参数图(0.590(范围0.555，0.643))更好的预测MVI的性能。此外，融合模型结合IVIM-DWI的深度特征、临床特征(α-胎儿蛋白(AFP)水平和肿瘤大小)和表观扩散系数(ADC)(0.829(范围0.776，0.848))的性能略有提高。

本研究表明，基于IVIM的CNN模型在HCC术前的MVI预测中取得了较高的诊断性能。此外，与仅基于IVIM的模型相比，融合了IVIM、临床特征(AFP水平和肿瘤大小)和ADC的深度特征模型取得了更好的预测性能。因此，本研究所提出的模型可用于预测MVI，并协助临床医生制定精确的治疗策略。