文献速递腹部技术与安全MR

基于MRI的可解释且可泛化的深度学习模型用于肝细胞癌微血管侵犯及预后术前评估:多中心研究

Interpretable and generalizable deep learning model for preoperative assessment of microvascular invasion and outcome in hepatocellular carcinoma based on MRI: a multicenter study.
PubMed 文献 · Insights Imaging · 2025-07-03

该回顾性多中心研究基于5个中心546例肝细胞癌患者术前MRI,开发并验证了基于对抗网络的深度学习模型(AD-DL)预测微血管侵犯(MVI),并与临床-影像模型及非对抗网络模型比较。AD-DL在内部测试集AUC为0.793、外部测试集1为0.801、外部测试集2为0.773,且预测的MVI状态与早期无复发生存(ERFS)显著相关(p=0.048)。

要点

  • AD-DL模型在三个测试集AUC分别为0.793、0.801、0.773,外部泛化性优于SE-DL和临床-影像模型。
  • 最佳序列组合为同相位、反相位及动脉期,模型预测阈值0.4843。
  • AD-DL预测的MVI状态与ERFS显著相关(p=0.048),可用于术前风险分层。

核心结论

  • AD-DL模型可实现肝细胞癌患者术前MVI预测及ERFS分层,具有较好的泛化性和生物学可解释性。

研究设计与样本

  • 回顾性多中心研究,连续收集5个中心2015年1月至2021年1月接受肝切除的610例HCC患者及TCIA队列,最终纳入546例进行分析。
  • 训练集与内部测试集来自北京、杭州、宁波三个中心,按4:1随机分配,训练集263例,内部测试集66例。
  • 外部测试集1来自台州中心,外部测试集2来自大连中心;台州中心93例用于ERFS评估,TCIA队列用于RNA测序分析。
  • MRI协议参照美国肝病研究学会(AASLD)推荐标准,使用8通道腹部线圈,基于2018版LI-RADS定义评估影像特征。
  • 在7个序列(同相位、反相位、T2WI、平扫期、动脉期、门静脉期、延迟期)的最大肿瘤横断面手动勾画ROI,参考标准为病理MVI状态。

关键影像表现/征象

  • MVI阳性患者更易出现T1WI低信号(OR=2.39,p=0.04)、瘤内血管(OR=1.77,p=0.03)、瘤周门静脉期低强化(OR=1.96,p=0.03)及瘤周动脉期高强化(OR=3.35,p<0.01)。
  • 多因素分析显示瘤周动脉期高强化是MVI的独立预测因子(OR=3.09,p<0.01)。
  • Grad-CAM显示MVI阴性病例重要区域位于肿瘤中心,MVI阳性病例重要区域位于肿瘤边缘。

诊断标准与关键数值

  • 临床-影像模型纳入AFP水平、瘤内血管及瘤周动脉期高强化三个特征,截断值0.4595,内部测试集AUC 0.759(95%CI 0.638–0.856),外部测试集1 AUC 0.636(95%CI 0.530–0.733),外部测试集2 AUC 0.721(95%CI 0.621–0.808)。
  • SE-DL模型基于同相位、反相位及动脉期序列,内部测试集AUC 0.807(95%CI 0.691–0.894),外部测试集1 AUC 0.762(95%CI 0.662–0.844),外部测试集2 AUC 0.696(95%CI 0.594–0.785)。
  • AD-DL模型基于同相位、反相位及动脉期序列,预测阈值0.4843,内部测试集AUC 0.793(95%CI 0.676–0.883),外部测试集1 AUC 0.801(95%CI 0.706–0.877),外部测试集2 AUC 0.773(95%CI 0.677–0.852)。
  • 外部测试集1中AD-DL模型的AUC、ACC和敏感度显著高于临床-影像模型(p=0.020、0.041、0.014)。
  • 外部测试集2中AD-DL模型AUC显著高于SE-DL模型(p=0.035),敏感度显著高于SE-DL和临床-影像模型(p=0.029、<0.001),特异度与其他两模型相当。

临床应用与阅片要点

  • 作者认为,基于同相位、反相位和动脉期图像预测为MVI高风险的惠者可能需要更宽的手术切缘。
  • 作者认为,对于≤3 cm且预测MVI高风险的HCC,肝切除可能优于射频消融以降低复发风险(引用文献11–13)。
  • 影像特征评估的观察者间一致性良好至优秀(Cohen κ=0.715–0.943)。
  • 模型使用Grad-CAM可解释预测所依据的重要图像区域,MVI阳性预测时重要区域多位于肿瘤边缘。

局限性

  • 原文未报告局限性。
全文中译14 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2025 Jul 3;16:151. doi: 10.1186/s13244-025-02035-0

引言

肝细胞癌(HCC)在全球癌症相关死亡率中位居第三[1]。早期或部分中期HCC的治愈性治疗选择包括肝切除术和肝移植;然而,由于多种因素,如高早期复发率、血管侵犯导致肝内播散以及隐匿性转移[2],这些手术干预的疗效仍然有限。肝切除术后的5年复发率可高达70%[3]。

微血管侵犯(MVI)是HCC进展中的关键病理特征[4, 5]。MVI定义为内皮细胞衬覆的血管腔内存在肿瘤细胞巢,主要累及门管区静脉分支,包括肿瘤包膜内的血管[6, 7]。它是HCC的独立预后因素,大量证据表明MVI阳性状态与更具侵袭性的肿瘤行为、更高的早期复发率和更低的总生存期相关[8–10]。术前识别MVI对于优化HCC治疗策略至关重要。如果术前预期MVI高风险,可能需要更宽的切除边缘以降低复发风险。对于≤ 3 cm的HCC肿瘤,肝切除术通常优于射频消融[11–13]。因此,治疗前准确识别MVI状态具有重要的临床价值。

然而,HCC中MVI的诊断仅依赖于手术切除后的病理评估。肝脏对比增强MRI具有软组织对比度高以及多参数、多方向成像的优势,已被广泛用于HCC的诊断、分期和治疗评估[14, 15]。基于MRI的深度学习算法能够提取和量化人眼无法察觉的细微影像学特征,从而能够开发针对性模型。这些模型为诊断和评估包括HCC在内的多种疾病提供了无创工具[16]。虽然已提出众多基于MRI的深度学习模型用于MVI预测,但各研究之间存在相当大的差异,大多数仅限于单中心或双中心队列[17–20],关于其在多中心环境中泛化性的证据不足。传统深度学习模型通常在单一机构的数据上进行训练;然而,不同医院间MRI序列方案和采集参数的差异往往引入数据偏倚,导致在多中心环境中应用时泛化性有限。为应对这些挑战,域泛化[21, 22]已被采用。基于多源域的域泛化训练方法已被证明能有效提高模型对先前未见目标域的泛化性[23]。然而,该方法尚未在HCC患者MVI评估的背景下进行探索。因此,我们探索了一种基于多中心数据的域泛化训练方法,进一步借鉴了自然图像分析中一种有前景的对抗网络策略以实现域泛化[24–26]。

因此,本研究旨在开发一种使用对抗训练的域泛化深度学习模型,从术前MRI评估HCC中的MVI,并在多个测试集中进行验证。此外,我们试图识别与预测MVI状态相关的差异表达基因(DEGs),以阐明其生物学功能,从而增强模型的可解释性。

材料与方法

患者

本研究经所有参与的三级转诊中心伦理审查委员会批准,包括首都医科大学附属北京友谊医院(北京中心)、浙江大学医学院附属邵逸夫医院(杭州中心)、中国科学院大学宁波华美医院(宁波中心)、浙江大学附属台州医院(台州中心)和大连医科大学附属第二医院(大连中心)。患者知情同意被豁免。

我们进行了一项回顾性研究,连续收集了2015年1月至2021年1月期间在五个医疗中心接受肝切除术的610例HCC患者的数据,以及来自癌症影像档案(TCIA)的数据(图1A)。详细信息见补充附录1和3。

为构建模型,来自北京中心、杭州中心和宁波中心的患者按4:1的比例随机分配到训练集和内部测试集。模型进一步使用来自台州中心和大连中心的外部测试集进行验证。台州中心的结果队列用于评估所提出的MVI预测模型的预后风险分层能力,而TCIA队列用于探索与MVI相关的生物学机制。

图1 患者选择和研究设计。A 来自五个医疗中心和TCIA数据集的患者选择过程流程图,以及(B)深度学习网络的整体架构。AP,动脉期;BN,批归一化;DP,延迟期;ECA,细胞外对比剂;GRL,梯度反转层;HCC,肝细胞癌;IP,同相位;MVI,微血管侵犯;MRI,磁共振成像;NCP,非增强期;OP,反相位;PVP,门静脉期;ROI,感兴趣区;SE,挤压与激励;TCGA-LIHC,癌症基因组图谱肝细胞癌;TCIA,癌症影像档案;T2WI,T2加权成像 查看原图 ↗

临床特征和结局

临床数据从电子病历中回顾性收集。MVI定义为显微镜下观察到的肿瘤细胞巢存在于门静脉、肝静脉或肿瘤包膜内衬有内皮细胞的血管中[6, 7]。早期无复发生存期(ERFS)定义为从手术到两年内发生肝内复发或肝外转移的时间间隔。详细信息见补充附录1。

MRI扫描和MRI特征评估

所有患者均使用8通道腹部线圈进行MRI扫描。MRI方案符合美国肝病研究协会(AASLD)推荐的标准[27]。MRI扫描摘要见表S1和补充附录1。

MRI特征评估基于既往研究和2018版肝脏影像报告和数据系统(LI-RADS)中提供的定义[28–32]。评估方法和MRI特征详情见补充附录1。

临床-影像学模型

单因素logistic回归分析中p值<0.05的临床和MRI特征采用逐步选择法纳入多因素logistic回归模型。基于赤池信息准则(AIC)进行模型简化,选择AIC值最低的模型生成最终临床-影像学(CR)模型。

深度学习模型

在七个序列的最大肿瘤横截面上手动勾画肿瘤区域:同相位(IP)和反相位(OP)、T2加权成像(T2WI)、平扫期(NCP)、动脉期(AP)、门静脉期(PVP)和延迟期(DP)。通过卷积神经网络内不同的通道组合,使用各种序列组合进行实验以进一步分析。

我们设计了一个对抗网络,从训练集中的多家医院学习域不变特征。深度学习网络的主要架构(图1B)可分为四个主要部分,即特征提取模块、MVI分类器、医院分类器和梯度反转层(GRL)。我们采用梯度加权类激活映射方法来阐明图像中用于预测的重要区域。深度学习模型和训练过程的详细描述见补充附录2。

统计分析

进行单因素和多因素logistic回归分析以确定与MVI状态独立相关的变量。使用Cohen's κ统计量和组内相关系数评估观察者间一致性。计算受试者工作特征(ROC)曲线的曲线下面积(AUC)以评估临床影像学和域泛化深度学习模型的预测能力。使用DeLong检验基于AUC比较模型的预测性能,而灵敏度、特异度和准确度(ACC)使用Z检验进行比较。基于内部测试集的结果确定最优模型。生成Kaplan–Meier生存曲线并使用log-rank检验进行比较。所有统计分析使用R软件(版本4.2.0,http://www.R-project.org)和SPSS 25.0(版本25.0,https://www.ibm.com)进行。双尾p值<0.05被认为具有统计学意义。关于TCIA数据集RNA测序分析的进一步细节以及这些数据与影像特征之间的关联见补充附录3。

结果

临床特征和影像学特征

在610例接受肝癌手术的患者中,33例因MRI数据不完整被排除,28例因严重图像伪影被排除,3例因在MRI检查前已接受过肝癌治疗被排除。最终,546例患者纳入分析。除TCIA组部分患者数据缺失外,各组详细临床和影像学特征见表1和表S2。训练组与内部测试组之间的临床和影像学特征无统计学显著差异(p > 0.05)。组织学/病理学结果表明,MVI状态在训练集、内部测试集、外部测试集1和外部测试集2之间均衡(p = 0.434)(表S2)。

表1 患者基线特征 查看原表 ↗

临床-影像学模型

MRI特征的观察者间一致性为良好至优秀(Cohen's κ = 0.715–0.943)(表S3)。在训练集中,单因素逻辑回归分析显示,MVI状态阳性的患者更可能具有大于200 ng/mL的甲胎蛋白(AFP)水平(比值比[OR] = 1.98,p = 0.01)和大于5 cm的肿瘤直径(OR = 1.92,p = 0.01)。与无MVI的HCC病灶相比,有MVI的病灶更可能表现为T1WI低信号(OR = 2.39,p = 0.04)、瘤内血管性(OR = 1.77,p = 0.03)、瘤周PVP低强化(OR = 1.96,p = 0.03)和瘤周AP高强化(OR = 3.35,p < 0.01)。多因素逻辑回归分析确定瘤周AP高强化(OR = 3.09,p < 0.01)为MVI的独立预测因子。其他临床和影像学特征未见显著差异。详细结果见表2。

使用AIC开发了一个CR模型,纳入三个特征:AFP水平、瘤内血管性和瘤周AP高强化。该模型的截断值为0.4595。内部测试集的AUC为0.759(95%置信区间[CI]:0.638–0.856)。对于外部测试集1和2,AUC分别为0.636(95% CI:0.530–0.733)和0.721(95% CI:0.621–0.808)。模型性能的详细描述见表3和图2A–F。

表2 训练集患者变量与MVI相关性的逻辑回归分析 查看原表 ↗
表3 模型的诊断性能 查看原表 ↗
图2 A–C 使用条形图展示了基于IP、OP和AP的AD-DL模型、SE-DL模型和CR模型的性能,报告了内部测试集以及外部测试集1和2的结果。采用DeLong检验比较AUC,采用Z检验评估灵敏度、特异度和ACC。D–F 分别为基于IP、OP和AP的三种模型在内部测试集、外部测试集1和外部测试集2中的ROC曲线。G 两个代表性MRI图像示例及相应的模型预测、Grad-CAM,Grad-CAM可阐明图像中用于预测的重要区域。在第一个病例中,模型预测MVI为阴性,并经病理证实,Grad-CAM方法识别并突出了MRI图像上肿瘤中心内的重要区域。在第二个病例中,模型预测MVI为阳性,同样经病理证实,Grad-CAM方法突出了肿瘤边缘的重要区域。ACC,准确率;AD-DL,基于对抗网络的深度学习;AP,动脉期;AUC,曲线下面积;CR,临床放射学;IP,同相位;MRI,磁共振成像;MVI,微血管侵犯;OP,反相位;ROC,受试者工作特征曲线。SE-DL,基于非对抗SENet的深度学习 查看原图 ↗

深度学习模型

在外部测试集1中,与基于SENet的深度学习(SE-DL)模型相比,应用基于对抗网络的深度学习(AD-DL)模型在127种序列组合中的66种中产生了更高的AUC。同样,在外部测试集2中,与SE-DL模型相比,AD-DL模型在127种序列组合中的70种中产生了AUC提升。在两个外部测试集中,127种序列组合中有38种在应用AD-DL模型后表现出AUC的一致性提升。SE-DL和AD-DL模型对AUC > 0.7的序列组合的诊断性能详见表S4。上述实验表明,最佳序列组合为IP、OP和AP,DL模型的预测阈值为0.4843。

对于使用IP、OP和AP序列组合训练的SE-DL模型,内部测试集中的AUC为0.807(95% CI:0.691–0.894),外部测试集1中为0.762(95% CI:0.662–0.844),外部测试集2中为0.696(95% CI:0.594–0.785)。

引入对抗网络后,使用相同序列组合的AD-DL模型表现出增强的性能,在内部测试集中达到AUC 0.793(95% CI:0.676–0.883),在外部测试集1中为0.801(95% CI:0.706–0.877),在外部测试集2中为0.773(95% CI:0.677–0.852)。SE-DL和AD-DL模型诊断性能的综合总结见表3和图2A–F。

模型比较

在外部测试集1中,使用IP、OP和AP序列组合训练的AD-DL模型在所有诊断性能指标上均优于SE-DL模型和CR模型,其AUC、ACC和敏感度均显著高于CR模型(分别为p = 0.020、0.041、0.014)。在外部测试集2中,AD-DL模型的AUC、ACC和敏感度也高于SE-DL和CR模型,其中AUC显著优于SE-DL模型(p = 0.035),敏感度显著高于SE-DL和CR模型(分别为p = 0.029、< 0.001),而特异度与其他两个模型相当。表3和图2A–F详细比较了CR、SE-DL和AD-DL模型的性能指标。

图2G展示了两个病例,说明使用IP、OP和AP序列训练的AD-DL模型对MVI的预测情况。

与MVI状态相关的临床结局和生物学功能

在台州中心的93例患者中,中位随访期为12个月,期间27例患者出现HCC早期复发。MVI阳性HCC患者的平均ERFS为14.1个月(95% CI:10.6–17.5个月),而MVI阴性HCC患者的平均ERFS显著更长,为20.7个月(95% CI:19.1–22.3个月)(log-rank检验,p < 0.05)(图3A)。值得注意的是,基于IP、OP和AP最佳序列组合的AD-DL模型与ERFS呈显著相关(p = 0.048)(图3B)。

在TCIA数据集中,共识别出198个与AD-DL模型(基于IP、OP和AP最佳序列组合)所预测MVI状态相关的DEGs。

基因本体(GO)富集分析显示,在生物学过程类别中,MVI相关基因主要参与代谢过程和突触调控(图4A、C)。京都基因与基因组百科全书(KEGG)富集分析进一步表明,这些DEGs主要富集于Wnt信号通路、神经活性配体-受体相互作用和Hippo信号通路等通路(图4D)。

为探索这些DEGs的功能相互作用,我们利用相互作用基因/蛋白质检索工具(STRING)数据库构建了蛋白质-蛋白质相互作用(PPI)网络,并识别出在网络中发挥核心作用的前十个枢纽基因(图4B),主要涉及离子通道活性、信号转导和上皮-间质转化(EMT)过程。

此外,我们采用CIBERSORT算法分析HCC患者中与MVI相关的免疫细胞浸润。22种免疫细胞类型在各样本中的分布见图4E。与MVI阴性HCC患者相比,MVI阳性HCC患者的调节性T细胞(Tregs)和M0巨噬细胞浸润水平显著更高,而单核细胞和M2巨噬细胞浸润水平明显降低(图4F)。

图3 根据组织学和基于IP、OP和AP预测MVI状态的AD-DL模型的ERFS曲线。A 按组织学MVI状态分层的ERFS曲线。B 按基于IP、OP和AP预测MVI状态的AD-DL模型分层的ERFS曲线。AD-DL,基于对抗网络的深度学习;AP,动脉期;ERFS,早期无复发生存;IP,同相位;MVI,微血管侵犯;OP,反相位 查看原图 ↗
图4 基于IP、OP和AP的最佳序列组合,利用TCIA的RNA测序数据(n = 27),对AD-DL模型预测的MVI状态相关的差异表达基因(DEGs)及免疫细胞肿瘤浸润测量。对DEGs进行了功能富集分析。A 圈图:显示基因与GO术语之间的关系。B PPI网络显示在Cytoscape软件中使用最大团中心性算法鉴定出的前10个枢纽基因。气泡图显示使用(C)GO或(D)KEGG时的分析结果。GeneRatio指该通路中的基因与所有基因的比值。Count指该通路中的基因数量。P.adjust指GO和KEGG分析的P值经错误发现率校正。E MVI阳性和MVI阴性样本中22种免疫细胞类型的比例表示。F 箱线图展示MVI阳性和MVI阴性样本之间免疫浸润细胞的差异。统计学显著性以*p < 0.05表示。DEGs,差异表达基因;GO,基因本体论;KEGG,京都基因与基因组百科全书;MVI,微血管侵犯;NK,自然杀伤;PPI,蛋白质-蛋白质相互作用;STRING,相互作用基因/蛋白质检索工具 查看原图 ↗

讨论

这项回顾性多中心研究旨在利用来自五个中心546例患者及TCIA队列的临床和动态对比增强磁共振成像特征,开发并验证CR、SE-DL和AD-DL模型,用于HCC中MVI状态的无创术前预测。使用IP、OP和AP序列训练的AD-DL模型表现出最高的诊断性能和泛化能力。这提示,根据IP和OP AP图像被AD-DL模型识别为MVI高风险的患者可能需要更宽的手术切缘;对于≤ 3 cm且预测MVI高风险的HCC,肝切除术可能优于射频消融,以降低复发风险[11–13]。此外,使用该模型进行MVI预测成功地对HCC患者进行了ERFS分层(p < 0.05)。基于IP、OP和AP的最佳序列组合,与AD-DL模型预测的MVI状态相关的DEGs主要富集于代谢过程和Wnt信号通路,并与特定浸润性免疫细胞类型相关,从而提高了模型的可解释性并促进其更广泛的临床应用。

基于MRI的深度学习模型在预测MVI状态方面已被广泛研究;然而,多中心研究有限[33],且这些模型在不同中心间的泛化性仍不确定,这阻碍了其更广泛的采用。Wang等[33]的一项多中心研究开发了一种基于MRI的深度学习模型,其单任务模型在外部测试集上最高AUC为0.612(95% CI:0.436–0.732)。该AUC显著低于我们的AD-DL模型(使用IP、OP和AP序列训练)在外部测试集上的表现(Z检验,p < 0.05)。这种次优表现的一种可能解释是,训练数据来源于单中心医院数据,而不同机构间MRI采集参数的差异——如图像分辨率、信噪比、层厚和图像质量——引入了数据偏倚,限制了模型的泛化性。在Wang等[33]的研究中,多任务模型相较于单任务模型在预测性能上表现出显著提升,在外部测试队列中最高AUC达到0.837(95% CI:0.778–0.893)。其多任务模型的AUC、灵敏度、特异度和ACC与我们的AD-DL模型相比无显著差异(表S5)。然而,由于多任务模型通常由共享子网络和任务特异性子网络组成,其增加的架构复杂性可能潜在影响单个任务预测的可解释性[34]。

使用多源域(医院)数据训练模型并在未见过的目标域(即多个外部测试集)上进行验证,是实现域泛化的有效方法[21, 22]。此外,使用对抗网络提取域不变的深层特征可以增强模型的泛化能力,确保提取的特征对MVI既具有判别性,又对不同MRI数据集间的偏倚具有不变性。在本研究中,我们使用三家医院的数据训练模型,并采用对抗网络学习域不变的深层特征。考虑到不同医院间肝脏MRI序列的潜在偏倚,以及需要简单而稳健的模型以获得更好的泛化能力,我们比较了基于不同MRI序列组合的深度学习模型的诊断性能。最优模型是使用IP、OP和AP序列训练的AD-DL模型,在两个独立的外部测试集中,其在AUC、ACC和灵敏度方面优于基于相同序列的SE-DL和CR模型,且未降低特异度。既往研究已利用MRI中的T2WI、PVP和DP来预测MVI[19, 20, 33]。然而,在本研究中,T2WI、PVP和DP的组合在测试集中的AUC低于0.7。这可能归因于多种因素。T2WI由于其固有的序列特性和腹部生理运动而更容易受到伪影的影响[35]。此外,不同中心间采集参数以及PVP和DP扫描时机的差异可能影响在微观结构水平上捕获肿瘤及瘤周强化特征。这些不一致性可能损害深度学习模型在多中心间预测MVI的泛化能力。鉴于大多数HCC表现出不均匀的AP高强化,这反映了肿瘤异质性[28],可以推断AP图像可能包含更多与MVI相关的信息。IP/OP成像提供了关于脂肪和铁含量的关键信息[36],两者在鉴别HCC中均具有重要意义[28]。尽管既往研究和我们的发现均显示MRI评估的脂肪或铁含量与MVI之间无直接相关性[29–32],但这些分析基于肉眼可见的宏观表现,缺乏微观细节的深度。深度学习可能从IP/OP图像中提取与MVI密切相关的定量微观特征。这一方面在既往基于双中心或多中心MRI的MVI深度学习研究中被忽视,值得进一步研究。

深度学习模型通常被认为是“不透明的”。增强模型的可解释性对于提高临床医生的信任和接受度、确保诊断安全性和ACC、以及促进这些模型更广泛的临床采用至关重要[37]。此前一些研究[17, 18, 33]使用梯度加权类激活映射(Grad-CAM)在一定程度上增强了基于MRI的深度学习模型对MVI的可解释性。在本研究中,我们也采用了Grad-CAM,揭示MVI阳性HCC的热图主要集中在肿瘤边缘,这与先前发现的超过85%的MVI发生在瘤周区域的结论一致[7]。然而,Grad-CAM主要突出与目标预测相关的局部区域,这使得其难以与更广泛的先验医学知识相结合,从而限制了临床医生的接受度。本研究利用生物学功能分析,发现与MVI状态相关的枢纽基因Bmp4与微血管内皮细胞的迁移效率相关[38]。此外,与MVI相关的DEGs主要富集于EMT和Wnt信号通路等过程。EMT是MVI阳性HCC转移的主要机制,由Wnt/β-catenin信号激活,促进HCC侵袭和转移[39, 40]。关于肿瘤微环境中的免疫细胞浸润,我们观察到MVI阳性HCC患者中Tregs水平升高。Tregs已被证明可促进HCC生长、进展和对索拉非尼的耐药[41],这可能部分解释了MVI阳性HCC患者对免疫治疗反应不佳的原因。通过生物学功能分析将基于影像的MVI预测深度学习模型与基因组改变相关联,本研究在遗传和机制层面反映了模型的生物学相关性,进一步增强了可解释性并促进了临床转化。

我们的研究存在若干局限性。首先,研究的回顾性性质可能引入固有偏倚。其次,数据集主要由东亚HBV相关HCC患者组成,需要在多样化患者人群中进一步验证模型。第三,影像特征与转录组学之间的关联是初步的,结果可能受到样本量较小的影响。为提高这些发现的可靠性,未来研究应包括更大规模、设计良好的全球多中心前瞻性数据集,用于模型验证和泛化。

总之,本研究开发的基于MRI的AD-DL模型可以预测HCC患者的MVI状态、进行预后分层,并表现出高度泛化性。除了使用Grad-CAM识别和突出MRI图像中的关键区域外,我们还纳入了与MVI相关的DEGs的生物信息学分析。这种方法进一步增强了模型的可解释性并促进了其临床转化。然而,这些发现需要在随机试验中进行前瞻性验证,以评估我们的影像模型与临床标准并行的临床适用性,并推动个性化治疗策略。

补充信息

电子补充材料

引用

  1. Dong X, Jia X, Zhang W, et al. Interpretable and generalizable deep learning model for preoperative assessment of microvascular invasion and outcome in hepatocellular carcinoma based on MRI: a multicenter study. Insights Imaging. 2025. PMID: 40610844. doi:10.1186/s13244-025-02035-0
  2. 全文:PMC12229396(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12229396/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。