文献速递腹部介入技术与安全CT

增强传统标准:基于CT的深度学习影像组学列线图用于肝细胞癌肝移植术后早期复发风险分层

Augmenting conventional criteria: a CT-based deep learning radiomics nomogram for early recurrence risk stratification in hepatocellular carcinoma after liver transplantation.
PubMed 文献 · Insights Imaging · 2025-09-17

本研究为两中心回顾性研究,纳入245例肝移植前接受增强CT的肝细胞癌患者,构建结合肿瘤及瘤周影像组学与深度学习特征的列线图(DLRN)预测移植后早期复发。DLRN在训练集和验证集的AUC分别为0.884和0.829,高DLRN评分者复发风险为低评分者的16.370倍;DLRN联合Metro-Ticket 2.0标准预测效能最佳(训练/验证AUC 0.936/0.863)。

要点

  • DLRN基于术前四期增强CT的肿瘤及瘤周5 mm区域特征构建,验证集AUC为0.829(95%CI 0.789–0.868)。
  • 高DLRN评分患者早期复发风险为低评分者的16.370倍(95%CI 7.100–31.690,p<0.001)。
  • DLRN联合Metro-Ticket 2.0标准预测早期复发效能最佳,验证集AUC为0.863。

核心结论

  • 基于CT的DLRN为肝细胞癌肝移植术后早期复发提供无创预测方法,并对传统预后评分系统提供额外预测价值。

研究设计与样本

  • 两中心回顾性研究,纳入245例肝移植前接受增强CT的肝细胞癌患者,训练集184例(厦门大学附属翔安医院),验证集61例(大连医科大学附属第二医院),时间跨度2019年1月至2023年6月。
  • 术前CT包括平扫期、动脉期、门静脉期和延迟期,从肿瘤及瘤周5 mm区域提取影像组学特征和深度学习特征(ResNet-18)。
  • 采用多因素logistic回归结合独立临床变量构建DLRN,并与Milan、UCSF、Metro-Ticket 2.0和杭州标准四种传统风险标准比较。
  • 主要终点为肝移植术后2年内早期复发,随访至少2年,末次随访日期为2025年6月1日。

关键影像表现/征象

  • 单因素分析显示年龄、BCLC分期、Ki-67增殖指数、MVI、组织学分级、最大肿瘤直径、假包膜存在及动脉期瘤周强化与早期复发显著相关(均p<0.05)。
  • 多因素分析显示BCLC分期(OR=9.30,95%CI 3.00–58.10,p=0.019)、MVI(OR=3.96,95%CI 1.53–10.24,p=0.005)和动脉期瘤周强化(OR=2.86,95%CI 1.14–7.21,p=0.026)为早期复发的独立相关因素。
  • DLRN模型在训练集和验证集的AUC分别为0.884和0.829。
  • DLRN评分最佳截断值为0.724,高评分组较低评分组复发风险高16.370倍(95%CI 7.100–31.690,p<0.001)。
  • DLRN-Metro-Ticket 2.0列线图在验证集的AUC为0.863,校准曲线Brier分数低于0.250。

诊断标准与关键数值

  • 早期复发定义为肝移植术后2年内出现以下任一:新发肝内病灶具有典型HCC影像特征;活检、术后病理或TACE术后肿瘤染色证实HCC;影像特征或组织学分析证实肝外转移。
  • DLRN评分截断值0.724,将患者分为高评分组和低评分组。
  • DLRN验证集AUC为0.829(95%CI 0.789–0.868)。
  • DLRN-Milan、DLRN-UCSF、DLRN-Metro-Ticket 2.0和DLRN-Hangzhou列线图在验证集的AUC分别为0.800、0.790、0.863和0.837。

临床应用与阅片要点

  • 术前四期增强CT可用于提取肿瘤及瘤周区域特征,构建DLRN预测肝移植术后早期复发风险。
  • DLRN评分高于0.724提示早期复发风险较高,可作为风险分层参考。
  • DLRN联合Metro-Ticket 2.0标准可提高预测效能,验证集AUC为0.863。

局限性

  • 原文未报告局限性。
全文中译15 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 Sep 17;16:194. doi: 10.1186/s13244-025-02082-7

引言

肝细胞癌(HCC)在全球癌症相关死亡率中位居第三,相对5年生存率约为18%[1]。发病率与死亡率之间的密切关联凸显了该疾病的严重预后[2]。肝移植(LT)目前是首选治疗方式,为患者提供了显著的生存优势[3]。然而,鉴于供体器官的有限可用性,器官分配政策必须优化患者预后,同时尽量减少无效的治疗干预[4]。目前,最常用的标准包括米兰标准;加利福尼亚大学旧金山分校(UCSF)标准(考虑肿瘤数目和大小);Metro-Ticket 2.0模型(整合生物学特征);以及杭州标准。尽管采用了严格的筛选方案,肝移植后HCC仍有10–15%的患者复发[5]。值得注意的是,HCC的早期复发(移植后2年内)通常表现出侵袭性的临床病程,并与较高的死亡率相关[6, 7]。

目前,人工智能(AI)在医学影像领域被广泛使用,主要用于提高诊断准确性和优化决策过程。影像组学致力于从医学图像中高通量提取和分析定量影像特征,被视为捕捉实体瘤内在异质性的有效方法[8]。与有创的组织生物标志物相比,从CT或MRI图像中提取的定量特征在预测HCC的肿瘤分类[9]、分级[10]和预后[11, 12]方面已显示出实质性进展。深度学习(DL)是AI中的一个重要分支和新兴方向,通过神经网络增强了表达复杂任务的能力,促进了机器自动特征提取[13]。残差卷积网络(ResNet)是深度卷积神经网络架构之一。其核心创新在于引入了“残差学习”和“跳跃连接”,有效解决了深度网络训练中普遍存在的梯度消失和梯度爆炸问题,从而显著提升了网络性能和训练效率[14]。ResNet在预测HCC中肿瘤簇血管包裹(VETC)[15]和微血管侵犯(MVI)[16]方面表现出色。然而,关于HCC患者肝移植后早期复发的DL影像组学研究及其对现有标准的附加价值的文献仍然匮乏。

早期研究主要集中在肿瘤内部区域的影像组学分析。然而,近期研究越来越多地强调肿瘤微环境在癌症进展中的重要性,凸显了其对肿瘤生物学行为和患者预后的重大影响[17, 18]。最新研究结果表明,整合肿瘤内部及邻近5 mm区域影像组学特征的模型可显著提高对小肝癌(肿瘤直径≤5 cm)患者MVI的预测准确性[19]。目前尚缺乏足够证据来确定肝细胞癌周围肿瘤微环境的影像学特征能否可靠预测肝移植(LT)后患者的早期复发。

本研究开发了一种基于CT的深度学习影像组学列线图(DLRN),用于预测肝细胞癌患者肝移植后的早期复发,并评估其对当前筛选标准的附加价值。

材料与方法

患者

本研究遵循《赫尔辛基宣言》开展。研究在两个中心回顾性进行,并获得机构审查委员会批准(伦理批准号:XAHLL2024035),纳入2019年1月至2023年6月期间厦门大学翔安医院和大连医科大学附属第二医院的423例肝细胞癌患者中的245例。训练队列由来自厦门的184例患者组成,来自大连的61例患者构成验证队列。纳入和排除标准详见补充信息(E1.1)和图S1。肝移植所采用手术方法的详细描述在E1.2中全面概述。

随访和研究终点

所有患者在肝移植后接受至少两年的监测,最终随访日期为2025年6月1日。术后第一个月内,患者通过评估血清甲胎蛋白(AFP)水平、超声检查以及胸腹部增强CT或MRI进行肝细胞癌复发筛查。第一年每季度筛查一次,此后每半年筛查一次。

本研究的主要终点为早期复发,定义为肝移植后两年内出现以下任一情况:(i)出现具有典型肝细胞癌影像学特征的新发肝内病灶;(ii)尽管影像学表现不典型,但经活检、术后病理或术后经动脉化疗栓塞(TACE)后肿瘤染色证实为肝细胞癌;(iii)通过特征性影像学表现或组织学分析证实肝外转移。

CT扫描方案

CT图像在横断面轴向平面上获取,包括平扫期(N)、动脉期(A)、门静脉期(V)和延迟期(D)。详细成像方案见补充信息(E1.3),CT扫描参数列于表S1。

临床特征与影像学评估

该研究包含几个关键组成部分:(i)人口学数据,包括年龄、性别、早期复发时间、肝炎病毒感染状态、肝硬化和巴塞罗那临床肝癌(BCLC)分期。(ii)临床和实验室特征,如AFP、癌胚抗原(CEA)、丙氨酸氨基转移酶(ALT)、天冬氨酸氨基转移酶(AST)、终末期肝病模型(MELD)评分、Child–Pugh分级、Ki-67增殖指数、细胞角蛋白-19(CK-19)、MVI(定义为显微镜下内皮细胞腔隙内存在癌细胞巢[20])、组织学分级(分为高分化、中分化或低分化)以及移植前桥接治疗。此外,该研究评估患者是否符合米兰标准、UCSF标准、Metro-Ticket 2.0标准和杭州标准[21]。

在涉及多个HCC的病例中,最大的肿瘤被指定为分析的主要对象。两名放射科医生(J.D.和J.H.,分别具有15年和5年腹部影像学经验)独立且盲法审阅影像胶片以评估特征。在出现分歧的情况下,通过协商达成共识。放射学评估侧重于五个特征:(i)肿瘤数量;(ii)最大肿瘤直径;(iii)肿瘤边缘;(iv)动脉期瘤周强化;(v)假包膜的存在(E1.4和图S2)。

放射组学和DL特征提取

工作流程如图1所示。在分割之前,原始CT图像经过配准以生成配准图像(E1.5)。读者1(J.H.)使用3D-Slicer(版本5.2.2,https://www.slicer.org/)在门静脉期图像的横轴面上手动勾画肿瘤。随后,通过扩展肿瘤边界自动生成5 mm宽的条带,并通过仔细审阅每张图像手动切除非肝脏区域。用于放射组学和DL特征提取的感兴趣体积(VOI)涵盖肿瘤和瘤周区域。为评估特征稳定性,读者1(J.H.)在两周间隔内进行了两次分割,而读者2(J.D.)在30名随机选取的患者队列中独立勾画分割区域。观察者间和观察者内信度的组内相关系数(ICC)均≥ 0.75。

图像预处理后,使用PyRadiomics软件包从先前定义的四期VOI中提取放射组学特征。此外,使用预训练的ResNet-18模型[14]从四期VOI中提取DL特征。更多细节见补充材料(E1.6和E1.7)、表S2和图S3。

图1 研究工作流程 查看原图 ↗

特征选择和模型构建

特征选择和模型构建仅在训练数据集上进行。特征选择过程涉及曼-惠特尼U检验、斯皮尔曼相关分析以及最小绝对收缩和选择算子(LASSO)算法的应用(更多细节参见E1.8)。由于训练数据集中的数据不平衡,采用合成少数类过采样技术(SMOTE)通过应用“少数类”重采样策略对训练数据集进行重采样。样本重采样后,早期复发病例与非早期复发病例之间的比例接近1:1。

基于各自VOI的影像组学特征,分别开发了肿瘤和瘤周区域的独立模型。为评估肿瘤和瘤周数据的整合能否提高诊断准确性,执行了特征级融合。这涉及将两个区域的影像组学特征合并为一个单一的综合特征集,随后进行特征选择和评分构建。为开发影像组学评分(RAD-score),在训练队列中使用10折交叉验证评估了五种不同的机器学习分类器——支持向量机(SVM)、轻量梯度提升决策树(LightGBM)、极端梯度提升(XGBoost)、随机森林和随机梯度下降(SGD)。上述选定的特征作为这些分类器的输入变量。最终,在验证队列中表现出最高曲线下面积(AUC)的模型被选用于最终构建。DL-score通过将选定特征与其各自权重整合而得出。通过逻辑回归模型识别的独立临床变量与RAD-score和DL-score合并以开发DLRN。在对RAD和DL特征进行单变量分析后,对临床因素进行共线性分析。评估因素为容差和方差膨胀因子(VIF);容差值< 0.1或VIF值> 5被认为表明两个变量之间存在共线性。此外,仅使用独立的临床病理变量进行多变量逻辑回归分析以构建临床模型用于比较目的。所有模型均在验证队列中进行了验证并进行了定量比较。

计算影像组学质量评分以评估本研究的方法学、分析和报告(https://www.radiomics.world/rqs2)。

DLRN对现有风险标准的增量价值

在整个队列中,验证了米兰、UCSF、Metro-Ticket 2.0和杭州标准对HCC患者LT后无复发生存期(RFS)的预测能力。随后,采用Kaplan–Meier分析评估二分类DLRN评分在四种传统标准内外进一步分层患者亚组的效能。最后,构建了四个复合列线图(即D-Milan、D-UCSF、D-Metro-Ticket 2.0和D-Hangzhou)以评估DLRN相对于现有四种风险标准的补充价值。

统计分析

连续变量以中位数和四分位距(IQR)表示,而分类变量以频率和百分比表示。为识别相关危险因素,进行单因素和多因素logistic回归分析,计算比值比(OR)及其95%置信区间(CI)。采用DeLong检验比较不同模型的性能。使用AUC评估模型区分肝移植(LT)后肝细胞癌(HCC)早期复发的能力。利用校准曲线比较预测值与实际观察值之间的一致性,并使用Brier评分评估模型的拟合优度。p值小于0.05被认为表明差异具有统计学意义。所有统计分析均使用Python(版本3.9.6,https://www.python.org/)和R软件(版本4.2.0,http://www.Rproject.org)执行。

结果

临床和CT影像学特征

患者的临床参数详见表1,表1表明两组之间的基线特征无显著差异。中位随访时间为29个月,范围为24–66个月。截至最近一次随访,训练队列的早期复发率为23.91%(184例中44例),而验证队列的早期复发率为32.79%(61例中20例),两组之间无统计学显著差异(p = 0.231)。发生早期复发患者的中位RFS为5个月,范围为1–24个月。

训练队列的单因素分析确定了几个与LT后HCC早期复发显著相关的变量,包括年龄、BCLC分期、Ki-67增殖指数、MVI、组织学分级、最大肿瘤直径、假包膜的存在以及动脉期瘤周强化(均p < 0.05)。多因素分析进一步显示,BCLC分期(OR = 9.30;95% CI:3.00–58.10;p = 0.019)、MVI(OR = 3.96;95% CI:1.53–10.24;p = 0.005)和动脉期瘤周强化(OR = 2.86;95% CI:1.14–7.21;p = 0.026)与早期复发独立相关(表S3和表S4)。

表1 LT人群的人口学、临床和肿瘤特征 查看原表 ↗

特征选择和模型构建验证

经过特征选择后,放射组学模型开发从肿瘤VOI中保留了13个特征,从瘤周VOI中保留了6个特征,从肿瘤与瘤周特征联合中保留了19个特征(表S5)。五种分类器的性能见图2和表S6。随机森林分类器表现出过拟合问题,在训练队列中表现良好,但在验证队列中表现欠佳,训练/验证AUC值分别为0.866/0.690、0.868/0.664和0.798/0.717。相比之下,SVM在验证队列中优于其他分类器,AUC分别为0.744(95% CI:0.613–0.875)、0.742(95% CI:0.617–0.866)和0.767(95% CI:0.626–0.908)。SVM分类器成为融合模型中最有效的分类器,该模型整合了肿瘤和瘤周放射组学特征,因此被用于进一步分析。RAD-score由此放射组学模型得出。在DL模型的开发中,选择了11个特征。RAD-score和DL-score的计算公式见补充材料(E1.9)。变量的容差范围为0.623–0.905,VIF范围为1.120–1.604,表明变量之间不存在共线性(表S7)。

DLRN模型通过整合BCLC分期、MVI、AP瘤周强化、RAD-score和DL-score而建立(图3A)。病理临床模型、DL模型、RAD模型和DLRN的校准曲线见图3B–D,表明DLRN对生存率的预测与实际结局高度一致。所有组的Brier评分均低于0.250,其中DLRN为0.166,病理临床模型为0.209,DL模型为0.188,RAD模型为0.182。决策曲线分析表明,与其余三种模型相比,DLRN在合理的阈值概率范围内提供了更大的净获益(图S4A)。病理临床模型、DL模型、RAD模型和DLRN的性能指标详见表2和图S4B–D。值得注意的是,DLRN在验证队列中的AUC为0.829(95% CI:0.789–0.868)。总体而言,DLRN在定量上优于其他预测模型。

图2 预测HCC患者LT后早期复发的各种模型的受试者工作特征(ROC)曲线,分别展示训练集(A、C、E)和验证集(B、D、F)。融合模型整合了肿瘤及其瘤周区域的特征。AUC,曲线下面积;SVM,支持向量机;LightGBM,轻量梯度提升机;XGBoost,极端梯度提升;SGD,随机梯度下降 查看原图 ↗
图3 DLRN与校准曲线。A 用于预测肝细胞癌肝移植后早期复发的深度学习放射组学列线图(DLRN)。B–D 展示DLRN与病理临床模型(B)、深度学习模型(C)和放射组学模型(D)的校准曲线。DL-score,深度学习评分;RAD-score,放射组学评分;MVI,微血管侵犯;AP,动脉期;BCLC,巴塞罗那临床肝癌 查看原图 ↗
表2 不同标签模型的性能 查看原表 ↗

DLRN与生存结局之间的关联

我们已在验证队列中验证了肝移植(LT)后肝细胞癌(HCC)早期复发的预测模型,证实了该模型的稳健性和准确性。此外,对生存结局的预测评估仍然是一个关键考量。在本研究中,我们对基于深度学习的放射组学(DLRN)的预测模型与常规分类标准在预测生存结局方面进行了对比分析。DLRN评分的最佳截断值确定为0.724,据此将患者分为DLRN高评分组和低评分组。Kaplan–Meier生存分析显示,DLRN评分与训练队列和验证队列中的无复发生存期(RFS)均呈显著相关(log-rank p < 0.001)。具体而言,DLRN低评分患者的RFS显著长于DLRN高评分患者(图4A、B)。DLRN高评分患者的复发风险是低评分患者的16.370倍(95% CI:7.100–31.690;p < 0.001)。图4C–F展示了整个队列中米兰标准、UCSF标准、Metro-Ticket 2.0标准和杭州标准的Kaplan–Meier生存曲线。不符合这四项传统标准的患者中位RFS更短,预后更为严重。表3列出了符合和不符合传统标准的患者LT后HCC早期复发的估计风险比(HR)。

图4 训练队列(A)和验证队列(B)中基于DLRN评分的整个队列RFS的Kaplan–Meier生存曲线,以及米兰标准(C)、UCSF标准(D)、Metro-Ticket 2.0标准(E)和杭州标准(F)的Kaplan–Meier生存曲线。Strata = 0,DLRN低评分组或符合传统风险标准;Strata = 1,DLRN高评分组或不符合传统风险标准。UCSF,加利福尼亚大学旧金山分校 查看原图 ↗
表3 按米兰标准、UCSF标准、Metro-Ticket 2.0标准和杭州标准分层后不同风险组和亚组中LT后HCC早期复发的估计HR 查看原表 ↗

DLRN相对于传统风险标准的增量价值

此外,在按米兰标准、UCSF标准、Metro-Ticket 2.0标准和杭州标准分层的亚组中,基于DLRN评分构建了与早期复发相关的Kaplan–Meier生存曲线(图S5)。分析显示,在这四项传统风险标准所定义的患者人群之内和之外,DLRN评分与早期复发均呈显著相关(p < 0.001)。亚组分析表明,HR值显著高于单独使用传统风险标准。具体而言,DLRN评分升高的患者LT后HCC早期复发风险是DLRN评分较低者的10.042–14.910倍(表3)。

DLRN-Milan、DLRN-UCSF、DLRN-Metro-Ticket 2.0 和 DLRN-Hangzhou 列线图及其各自的 ROC 曲线见图 S6 和 5A、B。在验证队列中,DLRN-Milan、DLRN-UCSF、DLRN-Metro-Ticket 2.0 和 DLRN-Hangzhou 列线图的 AUC 值分别为 0.800、0.790、0.863 和 0.837。值得注意的是,DLRN-Metro-Ticket 2.0 列线图表现出更优的预测性能,其校准曲线见图 5C,Brier 评分小于 0.250。图 5D 展示了 DLRN-Metro-Ticket 2.0 模型的临床影响曲线(CIC)。红色曲线代表预测的高风险个体数量,而蓝色曲线表示预测为高风险且随后发生早期复发的个体数量。通过比较这些曲线,可以评估模型在不同阈值下的预测准确性和临床适用性,从而为临床决策提供依据。本深度学习研究获得 41 分(67.21%),详见补充材料 RQS。

图 5 DLRN-Metro-Ticket 2.0 的列线图(A)、受试者工作特征曲线(B)、校准曲线(C)和临床影响曲线(D)用于预测 HCC 肝移植后早期复发。该 DLRN-Metro-Ticket 2.0 列线图将 DLRN 评分与 Metro-Ticket 2.0 模型相结合 查看原图 ↗

讨论

尽管采用了严格的选择标准,肝移植(LT)后肝细胞癌(HCC)复发的发生率仍然很高,主要发生在移植后的前两年内。复发后的预后较差,中位生存期为 12 个月 [22]。在本研究中,我们构建并验证了 DLRN 作为一种多模态预测工具,用于预测 HCC 患者 LT 后早期复发。其临床转化潜力体现在将其整合到移植前预后评估和术后动态监测的临床决策框架中,从而优化个体化治疗策略。我们的研究有两个目标:(a)基于接受 LT 的 HCC 患者术前多期 CT 建立 DLRN,并检验该模型预测早期复发的性能;(b)进一步将 DLRN 与传统风险标准相结合,评估其增量价值并提高预测效率。结合 MVI、BCLC 分期、AP 瘤周强化以及影像组学和深度学习评分的 DLRN 在训练队列/验证队列中的 AUC 分别为 0.884 和 0.829。DLRN 对患者的 RFS 分层具有良好的效果(p < 0.001)。此外,将 DLRN 与 Metro-Ticket 2.0 标准相结合的列线图在所有患者中表现最佳(AUC,训练队列/验证队列:0.936/0.863)。

与其他肿瘤不同,HCC的诊断主要依赖影像学,并通过动态增强CT或MRI加以确认[23, 24]。对于接受LT的患者,术前影像学用于评估肝脏体积和解剖结构[25]。本研究介绍了一种使用四期CT的DL影像组学模型,用于预测LT后早期HCC复发。通过利用多期CT捕捉HCC血流动力学变化的能力,该模型结合了影像组学和DL特征。既往研究表明,多期CT影像组学可有效评估HCC化疗反应[26]、病理分级[9, 27]和MVI状态[28]。与既往研究结果一致[29–31],本研究证实了MVI、AP瘤周强化与HCC复发风险之间的联系。为评估DL和影像组学特征相较于临床特征在预测LT后早期HCC复发方面的附加价值,在纳入MVI、AP瘤周强化和BCLC分期的临床模型基础上加入DL影像组学特征,构建了DLRN。DLRN优于临床模型,在验证队列中获得了更高的AUC(0.829 vs 0.670)和更大的临床净获益。其AUC也超过了既往报道的临床模型(AUC:0.733–0.785)[32]。仍需在不同患者群体中进一步验证,以确保该列线图的可靠性,并建议通过多机构合作或更大数据库加强外部验证。

近期研究强调了瘤周微环境在HCC进展和转移中的重要作用[33, 34]。既往HCC影像组学研究在很大程度上忽视了瘤周区域,而将重点放在肿瘤本身。然而,近期研究结果表明,瘤周区域的影像组学特征与炎症、新生血管形成、纤维化和免疫调节等肿瘤进展过程密切相关[18]。因此,本研究不仅提取了肿瘤区域的影像组学和DL特征进行分析,还提取了瘤周特征作为补充。已有研究表明,结合瘤内和瘤周数据可改善对HCC总生存期的预测,在测试中达到0.754–0.839的AUC[35, 36]。与这些研究结果一致,这种联合改善了LT后HCC早期复发的预测,凸显了肿瘤周围组织特征对于理解侵袭、转移和复发潜能的重要性。

肿瘤异质性(ITH)涵盖肿瘤内部的空间和时间差异[37]。与传统活检不同,影像学提供了一种非侵入性方法来分析由病理生理机制驱动的疾病演变[38]。Wang等证明,MRI纹理特征结合RNA测序与载脂蛋白E+巨噬细胞和炎症性癌症相关成纤维细胞的浸润密切相关[39]。在本研究中,共选择19个特征用于构建RAD模型,其中68.4%为高阶滤波和小波纹理特征,这些特征尽管可解释性较低,但可提供对ITH的深层生物学见解,并对早期复发预测具有敏感性。RAD模型在验证队列中达到0.793的AUC,表明具有良好的预测价值。DL通过神经网络任务捕捉深层ITH,并在预测HCC患者的疾病进展和预后方面显示出前景[40, 41]。影像组学特征和DL特征分别体现了影像数据分析的分析驱动和数据驱动范式。这些范式非冗余,并具有互补整合的潜力。在CT等成像模态的分辨率尺度上,它们有助于阐明与HCC预后相关的生物学特征,如ITH和肿瘤微环境重建。然而,由于空间分辨率的固有局限性,这些特征主要反映组织宏观层面的异质性,可能无法直接、精确地解析细胞层面的微环境变化。我们的研究发现,DLRN在预测LT后HCC早期复发方面优于RAD、DL和临床病理模型,在验证队列中达到0.829的AUC。这证实了整合影像组学和DL特征可提高个体化复发预测的准确性。

既往研究也探索了深度学习(DL)和影像组学在肝移植(LT)后预后中的应用。Nie等将CT影像组学特征与196例HCC患者的RFS相关联,达到C指数0.749 [42]。Qu等对380例HCC患者的病理切片使用DL,达到C指数0.794 [43]。我们的研究表明,DLRN结合临床数据可独立预测早期复发,HR估计值显著改善(p < 0.001),高危患者的RFS明显更短(log-rank p < 0.001)。我们根据米兰标准、UCSF标准、Metro-Ticket 2.0标准和杭州标准对患者进行分层(图S4),提高了分层效率。我们选择四项标准用于研究:米兰标准和UCSF标准,因其长期获得国际认可且与全球研究具有可比性;以及Metro-Ticket 2.0模型和杭州标准,后者包含AFP阈值以体现肿瘤特异性。我们排除了中国的“复旦标准”[44],因为研究显示其复发率与杭州标准相比无显著差异,而杭州标准已考虑了生物学特征[45]。华西-eRPS概述了一种手术方法,用于预防因移植物与受者胸腔尺寸不匹配所致的大体积综合征[46]。我们的研究排除了该标准,因为其提出的预测因素涉及移植物重量和尺寸比值,仍处于早期研究阶段,需要通过大规模试验进一步验证。为评估DLRN的附加价值,我们创建了将DLRN与传统系统相结合的综合模型,显著提高了预测效率。DLRN与Metro-Ticket 2.0模型显示出最佳的临床一致性,在验证队列中AUC为0.863。本研究证实了多模态特征与临床参数的兼容性,支持改进LT候选者筛选、术后随访和治疗决策,推进HCC LT的精准管理。

我们的研究存在若干局限性。首先,主要局限性是由于回顾性研究设计和样本量有限而存在选择偏倚风险。较小的测试队列可能阻碍外部验证并引发过拟合担忧。我们优化了模型以增强可信度,但其在不同机构、种族群体和临床场景中的泛化能力需要进一步的前瞻性多中心研究。其次,MRI在软组织对比度方面优于CT,改善了对HCC瘤周微环境的分析,并通过自动分割增强了影像组学分析。最后,整合组织病理学图像并将影像与遗传数据相结合,可以改善DL模型的生物学表征[47]。多组学分析揭示IT H,增强预后预测。

基于CT的DL影像组学为HCC患者LT后早期复发提供了无创预测,优于临床模型和传统评分系统。它是实现HCC个性化治疗的有价值工具,具有强大的临床潜力。

补充信息

电子补充材料

引用

  1. Wu Z, Liu D, Ouyang S, et al. Augmenting conventional criteria: a CT-based deep learning radiomics nomogram for early recurrence risk stratification in hepatocellular carcinoma after liver transplantation. Insights Imaging. 2025. PMID: 40962936. doi:10.1186/s13244-025-02082-7
  2. 全文:PMC12443646(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12443646/

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。