背景与目的:肝癌是全球范围内第六大最常见的恶性肿瘤,也是癌症相关死亡的第三大原因。我国作为肝病大国,肝癌每年的新发病例和死亡病例均占世界总数的45%以上。早期诊断和治疗可以提高肝癌患者的长期生存率。动态对比增强MRI是肝肿瘤检测和诊断的最佳成像方式。然而,在临床实践中,鉴于肝脏肿块的多样性和成像的复杂性,MRI影像的诊断具有很大的挑战性,且易受到医生主观经验的影响,诊断质量参差不齐。此外,增强检查的高成本和较长的扫描及等待时间也限制了其在筛查监测中的广泛使用。深度学习（DL）作为一种新兴的人工智能图像识别技术,可能会提供一种新的诊断策略。本研究使用卷积神经网络（CNNs）来构建深度学习系统（DLS）,以期实现基于MRI影像的肝局灶性病变（FLL）辅助诊断。研究分为两个部分:一是建立基于MRI影像和临床信息的深度学习辅助诊断模型,实现对肝内局灶性病变的自动化准确分类,并在独立验证集上进行有效性验证和人机对比测试;二是探讨在深度学习辅助下,非对比增强MRI序列（T2,DWI）在肝局灶性病变中的诊断价值,并在多中心数据集上进行模型性能评估。方法:本研究的第一部分利用来自1210例肝局灶性病变患者的MRI数据（N=31608张图像）,训练CNNs以获得针对所有病变的七分类模型,良恶性二分类模型和恶性肿瘤三分类模型（模型A至模型G）,其中在三分类模型中修改网络结构以输入临床信息。在由201位患者数据组成的独立验证集中测试了所有模型的性能并进行评估（N=6816张图像）。在不同模型之间比较了受试者工作特性（ROC）曲线下面积（AUC）。另外,还将模型的敏感性和特异性与三位经验丰富的放射科医生的表现进行了比较。本研究的第二部分总共收集了三个中心的1959例肝局灶性病变的50418张增强MRI图像。基于T2加权成像,扩散加权成像（DWI）和对比增强T1加权成像的不同组合,使用Inception-Res Net V2网络进行迁移学习以训练生成四个三分类模型,将病灶2D图像分为良性病变,原发性肝癌和转移性肝癌。然后分别在一个内部独立验证集（5172张图像）和两个外部验证集（2916张,1338张图像）中对模型性能进行了评估。最后,在三个验证集中进一步评估了非对比增强模型（T2,T2+DWI）在病灶/患者水平上区分恶性肿瘤与良性病变的诊断性能。结果:在第一部分的研究中,深度学习系统在将FLL分为七个类别方面达到了与三位经验丰富的放射线医师相媲美的水平,分别为肝囊肿,血管瘤,局灶性结节性增生（FNH）,其他良性病变,肝细胞性肝癌（HCC）,转移性肿瘤,其他原发性肝癌。仅使用非增强的图像,CNNs在区分恶性和良性病变方面表现良好（AUC,0.946;95%CI0.914-0.979和0.951;95%CI0.919-0.982,P=0.664）。改进的CNN网络将未增强的图像与临床数据相结合,极大地改善了恶性肿瘤的分类表现:HCC（AUC,0.985;95%CI0.960–1.000）,转移性肿瘤（0.998;95%CI0.989–1.000）和其他原发性肝癌（0.963;95%CI0.896–1.000）,与病理报告的一致性为91.9%。这些模型通过深度神经网络在未增强图像和临床数据中挖掘诊断信息,这与既往仅使用增强图像的研究不同。与三名经验丰富的放射科医生相比,这些模型中几乎每个类别的敏感性和特异性都达到了相似的高水平。基于第一部分的研究发现,我们进一步探讨了非增强MRI序列的诊断价值,并根据临床真实场景,扩充了数据集的覆盖范围。结果表明,与基于多序列或增强图像的两个模型相比,非对比增强模型在将肝肿瘤图像分类为良性,原发性肝癌和转移性肝癌方面表现出相似的性能。在内部独立队列中,T2+DWI模型的对应以上三类别的AUC分别为0.91（95%CI,0.888-0.932）,0.873（95%CI,0.848-0.899）和0.876（95%CI,0.840-0.911）。在病灶/患者水平上,非对比增强模型在三个验证集中的恶性肿瘤敏感度分别达到98.1%,85.7%,87.5%,而特异度几乎都大于70%。这意味着模型最多可以基于非对比图像识别超过95%的恶性肿瘤患者,而超过70%的良性病变可以避免使用对比剂做进一步检查,假阴性率不超过5%。结论:1.深度学习系统可以基于增强MRI图像将肝局灶性病变准确地分为七个类别,临床信息的加入可以显着改善恶性肿瘤的精确分类表现。DLS可作为放射科医生的辅助诊断工具。2.基于非对比增强MRI,深度学习模型可以在图像水平上将FLL正确分类为良性病变,原发性肝癌和转移性肝癌,并在病灶水平上以高灵敏度识别恶性肿瘤,这种方案有助于减少扫描序列和造影剂的使用,从而降低副反应及财务成本,特别是在没有恶性病变的患者中。非对比增强MRI在深度学习的辅助下有希望成为潜在肝局灶性病变的筛查,监测和随访方法。