肝恶性肿瘤包括肝细胞癌（HCC）、肝内胆管细胞癌（ICC）和转移性肝癌等，是常见且预后极差的恶性肿瘤。影像学诊断为治疗决策和预后判断提供了不可或缺的支持，然而不同肝恶性肿瘤通过影像学诊断常有误诊。临床上不同肝恶性肿瘤的治疗策略差异巨大，医生在手术、靶向、免疫等治疗前对患者肿瘤类别的准确诊断至关重要。

近期，医学院附属新华医院顾劲扬教授团队、生命科学技术学院俞章盛教授团队、杭州市第一人民医院徐骁教授团队、医学院附属仁济医院刘颖斌教授团队合作在国际血液病学和肿瘤学知名期刊Journal of Hematology & Oncology上发表了题为“Deep learning for differential diagnosis of malignant hepatic tumors based on multi-phase contrast-enhanced CT and clinical data”的研究成果，提出了一种运用深度学习基于患者术前多期造影增强CT和临床数据对肝脏恶性肿瘤进行判别的智能诊断系统，达到与资深放射科医生相当的判别水平。更可喜的是，在该系统辅助下，放射科医生诊断准确率得以提升，结果在多中心数据中得到验证。该系统可以作为辅助诊断工具，指导医生鉴别肝恶性肿瘤，有望为医疗欠发达地区提供强有力的影像学诊断支持，并提高三甲医院放射科的诊断准确率，为肝癌患者制定最佳治疗方案，促进肝癌的精准治疗。

研究者提出的STIC模型以多期造影增强CT和临床特征作为输入，最后输出每类肝恶性肿瘤的分值，其框架包含四个不同的模块。SpatialExtractor模块利用卷积神经网络（CNN）提取CT的空间特征，TemporalEncoder模块使用门控循环神经网络（RNN）挖掘不同期CT之间的变化模式，Integration模块将提取到的影像特征与临床特征融合，Classifier模块通过softmax激活函数实现分类任务。

研究者提出的STIC模型以多期造影增强CT和临床特征作为输入，最后输出每类肝恶性肿瘤的分值，其框架包含四个不同的模块。SpatialExtractor模块利用卷积神经网络（CNN）提取CT的空间特征，TemporalEncoder模块使用门控循环神经网络（RNN）挖掘不同期CT之间的变化模式，Integration模块将提取到的影像特征与临床特征融合，Classifier模块通过softmax激活函数实现分类任务。