肝細胞癌（HCC）是世界上最常見的原發性肝癌，在造成癌癥相關死亡的疾病中排名第二。眾所周知，超過80%的HCC是由肝硬化引起的。因此，在做出最佳治療決定時，必須同時評估腫瘤負荷和殘余肝臟功能。

除了損害肝臟蛋白質的合成，肝硬化還導致了脾臟循環的漸進性變化。在肝硬化期間，持續的組織重組導致門靜脈壓力的增加，最終導致胃食管靜脈曲張、腹水和脾臟體積增大。因此，脾臟體積的增大與嚴重的肝硬化有關。因此，脾臟體積已被確定為接受切除術或腫瘤消融術的HCC患者的一個高度敏感的預后參數。在一項針對接受經動脈化療栓塞術（TACE）的HCC患者的初步研究中，脾臟體積被確定為一個相關的預后因素。

隨著人工智能領域的發展，該技術為臨床提供了關于自動器官分割和體積評估的可能，可以很容易地實時整合到臨床工作流程中。因此，脾臟體積可能成為治療計劃和TACE后隨訪的一個容易評估和隨時可用的預后因素。

近日，發表在European Radiology雜志的一項研究建立了一個基于CT圖像的用于全自動脾臟體積評估的深度學習算法，驗證了總脾臟體積作為一種新的影像學生存預測指標物的臨床價值，并研究了其評估接受TACE的HCC患者肝功能失調預測指標的作用。

本項回顧性研究包括2010年-2020年間在本機構三級護理中心接受初次TACE的327名治療無效的HCC患者。在前100個連續病例上訓練并驗證了卷積神經網絡的脾臟分割。然后，使用該算法評估了所有327名患者的SV，并評估了SV與生存率之間的相關性，以及TACE期間肝功能失調的風險。 

該算法在訓練和驗證期間顯示Sørensen Dice評分為0.96分。在其余227名使用該算法評估的患者中，223名患者（98.2%）的脾臟分割得到了視覺認可，4名患者（1.8%）的脾臟分割失敗，需要人工重新評估。平均SV為551毫升。與低SV相比，高SV患者的生存期（10.9個月）明顯較低（22.0個月，P = 0.001）。此外，TACE后出現肝功能失調的患者，其SV值明顯較高（P < 0.001）。 

圖 算法性能的代表性圖像（從左到右是脾臟上部、中部和下部的圖像）。A完美的分割，B可接受的分割（中間有輕微的分割錯誤），C差的分割（上部有主要的分割錯誤，有吻合的肝臟和脾臟現象）

本研究表明，本研究提出的深度學習算法可以對接受TACE的HCC患者進行全自動的脾臟體積評估。與已有的脾臟體積的二維估計相比，本研究的算法提供了更精確的脾臟體積評估，在預測生存率方面顯示出更明顯的優越性，在識別有肝臟失代償風險的患者方面顯示出高度的敏感性。因此，真正的脾臟體積可以作為一個額外的成像生物標志物，在每次CT檢查中無需額外的掃描及處理就可以完全自動獲得。

 

原文出處：

Lukas Müller,Roman Kloeckner,Aline Mähringer-Kunz,et al.Fully automated AI-based splenic segmentation for predicting survival and estimating the risk of hepatic decompensation in TACE patients with HCC.DOI:10.1007/s00330-022-08737-z