Deep learning-baserat system för att förutsäga resektionsvolym vid hepatocellulärt karcinom med kontrastförstärkt CT

Smartare planering för levercancerkirurgi

För personer med levercancer är en av kirurgernas största utmaningar att avgöra hur mycket av levern som ska avlägsnas. Tar man bort för lite kan tumören återkomma; tar man bort för mycket kan patienten bli utan tillräckligt med frisk lever för att överleva. Denna studie presenterar ett nytt artificiellt intelligenssystem (AI) som använder CT-bilder för att hjälpa läkare att snabbt och noggrant planera leveroperationer, med målet att göra kirurgin säkrare, snabbare och mer konsekvent.

Varför leverstorlek spelar så stor roll

Den vanligaste primära levercancern, kallad hepatocellulärt karcinom, är både aggressiv och blir allt vanligare i världen. Kirurgi som helt tar bort tumören ger vissa patienter den bästa chansen till långsiktig överlevnad. Men levern är inte ett organ som kan skäras bort hur som helst. Den utför många livsviktiga uppgifter, från att filtrera bort toxiner till att bearbeta näringsämnen. Om kirurger tar bort för mycket kan patienterna drabbas av livshotande leversvikt efter operationen. Å andra sidan ökar risken för kvarvarande cancerceller om man lämnar för liten marginal runt tumören. Att noggrant beräkna vilken del av levern som säkert kan tas bort är därför centralt för modern leverkirurgi.

Status quo: långsamt och manuellt

Idag görs denna noggranna beräkning oftast manuellt. Radiologer och kirurger laddar kontrastförstärkta CT-bilder i specialiserad tredimensionell (3D) planeringsprogramvara, markerar lever och tumörer skiva för skiva, identifierar viktiga blodkärl och simulerar sedan olika snittplan. Denna process kan ta flera minuter per patient och kräver högutbildad personal. Den påverkas också av mänskliga variationer: två experter kan dra något olika gränser och samma person kan vara olika konsekvent över tid. På upptagna sjukhus där många patienter behöver leveroperationer kan denna tidskrävande planering bromsa vården och öka kostnaderna.

En AI-assistent kallad LRVCD

Forskarna utvecklade ett AI-baserat system som de kallar Liver Resection Volume Calculation with Deep Learning, eller LRVCD. Det använder deep learning-modeller tränade på CT-bilder från 990 patienter som behandlats vid två stora sjukhus under ett årtionde. I första steget upptäcker AI:n automatiskt levertumörer och delar upp levern i detaljerade anatomiska segment på CT-bilderna. I andra steget kombinerar systemet dessa segmentkartor med kirurgens valda plan — vare sig det är en standardsegmentresektion eller ett mer oregelbundet, skräddarsytt snitt — för att beräkna hur mycket frisk levervävnad och hur mycket tumör som skulle avlägsnas. Systemet rapporterar nyckelsiffror som total leverstorlek, tumörstorlek, planerad resektionsvolym och andelen lever som ska avlägsnas.

Att testa systemet

För att kontrollera om LRVCD är pålitligt jämförde teamet dess resultat med erfarna kirurger som använde etablerad 3D-planeringsprogramvara. De utvärderade två oberoende patientgrupper: en från samma sjukhus där AI:n tränats och en annan från olika center. För varje fall mätte de hur nära AI:ns uppskattningar av levervolym, tumörvolym och planerad resektion stämde överens med den manuella referensen. Skillnaderna var små och överensstämmelsen i den centrala mätningen — andelen lever som skulle avlägsnas — var nära i båda grupperna. AI:n tenderade att något underskatta den totala leverstorleken och något överskatta tumörvolymen, men dessa tendenser låg inom acceptabla kliniska gränser och speglade kända särdrag hos manuellt 3D-planeringsarbete.

Från timmar av arbete till sekunder

En av de mest påtagliga fördelarna med LRVCD är hastigheten. I både interna och externa testgrupper minskade den AI-drivna arbetsflödet planeringstiden med ungefär tjugo gånger jämfört med den konventionella 3D-programvaran. Vad som tidigare tog omkring tio minuter eller mer kunde nu slutföras på under en halv minut. Eftersom AI:n hanterar det tunga arbetet med segmentering och volymberäkning begränsas människans insats i stor utsträckning till att mata in grundläggande kirurgisk information och göra små justeringar vid behov. Det innebär att radiologer och kirurger kan ägna mer tid åt kliniska beslut och mindre åt repetitivt musarbete.

Vad detta betyder för patienterna

För patienter kokar de tekniska detaljerna ner till ett enkelt löfte: mer precis och snabbare kirurgisk planering, utan extra röntgenundersökningar eller ökade kostnader. Genom att snabbt och konsekvent uppskatta hur mycket lever som säkert kan tas bort kan LRVCD hjälpa kirurger att sikta mot kurativa ingrepp samtidigt som risken för postoperativ leversvikt hålls i schack. Studien visar att detta AI-verktyg presterar ungefär lika bra som etablerade 3D-planeringsmetoder samtidigt som arbetsbördan minskar kraftigt. Författarna noterar att mer arbete behövs för att testa systemet i bredare patientgrupper och för att ytterligare automatisera kirurgiskt beslutsfattande, men deras resultat tyder på att AI-styrd planering snart skulle kunna bli en praktisk hjälp i operationssalen för levercancervård.

Citering: Wang, X., Zhang, L., Liu, P. et al. Deep learning-based system to predict hepatocellular carcinoma resection volume using contrast-enhanced CT. Sci Rep 16, 6388 (2026). https://doi.org/10.1038/s41598-026-37085-x

Nyckelord: levercancerkirurgi, medicinsk bildbehandlings-AI, hepatocellulärt karcinom, CT-planering, leverresektionvolym