Targetoid appearance on T2-weighted imaging and signs of tumor vascular involvement: diagnostic value for differentiating HCC from other primary liver carcinomas
Cannella, R., Fraum, T.J., Ludwig, D.R. et al. Eur Radiol (2021).
Available from: https://link.springer.com/article/10.1007/s00330-021-07743-x
Parole chiave: carcinoma epatocellulare, colangiocarcinoma intraepatico, risonanza magnetica.
Quesito clinico: è possibile utilizzare l’aspetto a target nelle sequenze T2 ed i segni di invasione vascolare neoplastica come potenziali caratteristiche LI-RADS per differenziare l’HCC dai tumori maligni non-HCC.
Che cosa è stato fatto: l’aspetto a target ed i segni di invasione vascolare neoplastica sono stati confrontati nei colangiocarcinomi intraepatici e negli epatocolangiocarcinomi.
Come è stato fatto: valutazione retrospettiva di 165 colangiocarcinomi intraepatici, 74 epatocolangiocarcinomi e 136 HCC (controllo). Sono stati registrati l’aspetto a target e cinque caratteristiche di invasione vascolare neoplastica (encasement, assottigliamento, tethering, occlusione e obliterazione) e sono state calcolate le loro sensibilità e specificità.
Risultati: l’aspetto a target nelle sequenze T2 è altamente specifico per le neoplasie non-HCC (97.3% -98.2%). Tra le caratteristiche di invasione vascolare neoplastica, il tethering e l’occlusione sono le più specifiche per le neoplasie non-HCC (97.1% -100% e 99.3%, rispettivamente). Di contro, l’encasement vascolare e l’obliterazione avevano le sensibilità più elevate (34.3% -37.2% e 25.5% -29.7%, rispettivamente).
Conclusione: l’aspetto a target nelle sequenze T2, il tethering e l’occlusione vascolare hanno dimostrato un’elevata specificità per differenziare le neoplasie non-HCC da HCC.
Implicazioni: l’aspetto a target nelle sequenze T2 può essere utile come una potenziale caratteristica di imaging LI-RADS per la categoria LR-M.
MRI Liver Imaging Reporting and Data System (LI-RADS) Version 2018: Impact of and Reduction in Ancillary Features
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).
Available from: https://www.ajronline.org/doi/10.2214/AJR.20.23031
Parole chiave: carcinoma epatocellulare, risonanza magnetica, analisi dei sistemi.
Domanda clinica: qual è l’impatto dei criteri ancillari del LI-RADS v2018 in risonanza magnetica? Possono essere ridotti preservando l’accuratezza del LI-RADS?
Cosa è stato fatto: l’accuratezza diagnostica delle categorie LI-RADS è stata calcolata con e senza criteri ancillari. Algoritmi di apprendimento automatico sono stati utilizzati per identificare i criteri ancillari non contributivi.
Come è stato fatto: valutazione retrospettiva di 222 osservazioni epatiche per la presenza o l’assenza di criteri maggiori ed ancillari in risonanza magnetica secondo il LI-RADS v2018. Sono state determinate le categorie LI-RADS e la rispettiva accuratezza diagnostica con e senza criteri ancillari. Sono stati utilizzati algoritmi di apprendimento automatico per identificare i criteri ancillari non contributivi e calcolati i parametri di performance diagnostica delle categorie LI-RADS in base a diverse combinazioni di criteri ancillari.
Scoperte e risultati: la percentuale di HCC non differiva in modo significativo quando si utilizzavano i criteri maggiori esclusivamente e con l’utilizzo dei criteri ancillari. Cinque criteri ancillari sono stati identificati come non contributivi: corona enhancement, nodulo-in-nodulo, aspetto a mosaico, cataboliti ematici intralesionali e grasso intralesionale.
Conclusione / Implicazioni: diversi criteri ancillari possono essere rimossi da LI-RADS v2018 in risonanza magnetica senza comprometterne l’accuratezza.
Deep Learning With 3D Convolutional Neural Network for Noninvasive Prediction of Microvascular Invasion in Hepatocellular Carcinoma
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).
Available from: https://doi.org/10.1002/jmri.27538
Parole chiave: carcinoma epatocellulare, risonanza magnetica, deep learning, invasione microvascolare.
Quesito clinica: predizione preoperatoria di invasione microvascolare nell’HCC.
Come è stato fatto: come input per quattro modelli di deep learning sono stati utilizzati studi di risonanza magnetica con mezzo di contrasto di 237 pazienti con HCC patologicamente confermato dopo resezione chirurgica. Tre modelli erano basati su una singola sequenza RM e un quarto modello di “fusione” combinava le tre sequenze RM. Questi modelli sono stati utilizzati per predire la presenza o l’assenza di invasione microvascolare.
Risultati: la massima accuratezza predittiva è stata raggiunta dal modello di fusione; 71%, con sensibilità del 55% e specificità dell’81% sul set di validazione.
Conclusione / Implicazioni: il deep learning può essere utilizzato per la predizione preoperatoria dell’invasione microvascolare in pazienti con HCC.
Automated Analysis of Multiparametric Magnetic Resonance Imaging/Magnetic Resonance Elastography Exams for Prediction of Nonalcoholic Steatohepatitis
Dzyubak B, Li J, Chen J, Mara KC, Therneau TM, Venkatesh SK, Ehman RL, Allen AM, Yin M. J Magn Reson Imaging (2021).
Available from: https://doi.org/10.1002/jmri.27549
Parole chiave: MRE, NASH, PDFF, stiffness del fegato.
Domanda clinica: analisi automatizzata di steatosi e stiffness epatica e previsione della NASH in RM.
Cosa è stato fatto: l’analisi manuale della proton density fat fraction (PDFF) e della stiffness epatica negli studi di RM è stata confrontata con l’analisi machine learning completamente automatizzata. Un altro modello è stato sviluppato per prevedere la NASH.
Come è stato fatto: valutazione prospettica di 83 pazienti adulti con obesità con elastografia RM (MRE) e RM mediante chemical shift (CS-MRI). Tutti i pazienti sono stati sottoposti a biopsia epatica per la valutazione della NASH. PDFF e stiffness epatica sono state calcolate manualmente da due radiologi. È stato sviluppato un algoritmo automatizzato per la selezione automatizzata della regione di interesse, il calcolo di PDFF e della stiffness epatica. Un altro modello è stato creato per prevedere la diagnosi anatomo-patologica di NASH basata su stiffness e PDFF.
Risultati e risultati: la concordanza tra le misurazioni automatiche e i lettori era elevata (R2 = 0.87 per la rigidità e R2 = 0.99 per PDFF). L’area sotto la curva ROC per il modello di predizione della NASH era 0.87.
Conclusione / Implicazioni: la predizione della NASH può essere fatta utilizzando un algoritmo machine-learning automatico basato sulla stiffness epatica e sulla PDFF in MRE e CS-MRI, rispettivamente.
Translated by Dr. Ilaria Viola and Dr. Federica Vernuccio
References
