文献速递腹部泌尿生殖MR

基于MRI的肝细胞癌瘤内与瘤周异质性用于微血管侵犯预测和预后风险分层

MRI-based Intra- and Peritumoral Heterogeneity in Hepatocellular Carcinoma for Microvascular Invasion Prediction and Prognostic Risk Stratification.
PubMed 文献 · Radiol Imaging Cancer · 2025-01-01

这项多中心回顾性研究纳入432例≤5 cm的肝细胞癌患者,利用无监督聚类将肿瘤及瘤周区域编码为 habitats,提取影像组学特征并量化瘤内与瘤周异质性,构建深度学习模型诊断微血管侵犯。TH_DNN模型在三个数据集上AUC为0.82–0.99,预测MVI阳性亚组预后更差,总生存HR为2.79,复发HR为2.17。

要点

  • ≤5 cm肝细胞癌术前钆塞酸二钠增强MRI可量化瘤内与瘤周异质性。
  • TH_DNN模型诊断MVI的AUC在训练集、内部测试集、外部测试集分别为0.99、0.88、0.82。
  • 模型预测MVI阳性亚组总生存HR为2.79,复发HR为2.17。

核心结论

  • 本研究建立了量化肝细胞癌瘤内和瘤周异质性的策略,对无创准确识别MVI和预后风险分层有价值。

研究设计与样本

  • 多中心回顾性研究,纳入2012年3月至2023年9月三家机构的432例≤5 cm肝细胞癌患者,均行根治性肝切除术前钆塞酸二钠增强MRI。
  • 机构1数据按7:3随机分层分为内部训练集(n=192)和内部测试集(n=83),机构2和3数据合并为外部测试集(n=157)。
  • 采用无监督简单线性迭代聚类算法将瘤内及瘤周3、5、7 mm区域各编码为50个habitats,提取影像组学特征并以变异系数量化异质性,构建7种机器学习模型诊断MVI。

关键影像表现/征象

  • MVI阳性患者较MVI阴性患者表现出更高的瘤内和瘤周异质性,特征在habitats间分布更不均匀。
  • SHAP分析显示PTH_Peri5_AP_firstorder_Kurtosis、PTH_Peri3_AP_glszm_SizeZoneNonUniformity和PTH_Peri5_AP_glrlm_GrayLevelNonUniformity为模型前三位贡献特征。
  • 选出的20个TH特征中,7个来自动脉期、5个来自肝胆期、4个来自T2加权成像、4个来自增强前T1加权成像;空间分布上Peri5和瘤内各6个、Peri3 5个、Peri7 3个。

诊断标准与关键数值

  • TH_DNN模型诊断MVI:内部训练集AUC=0.99、敏感度100.0%、特异度96.6%、准确率97.4%、精确率90.0%、召回率100.0%、F1评分0.95。
  • 内部测试集AUC=0.88、敏感度90.0%、特异度73.0%、准确率77.1%、精确率51.4%、召回率90.0%、F1评分0.66。
  • 外部测试集AUC=0.82、敏感度66.0%、特异度81.7%、准确率76.4%、精确率64.8%、召回率66.0%、F1评分0.65。
  • 校准误差在内部训练集、内部测试集、外部测试集分别为0.09、0.12、0.22。

临床应用与阅片要点

  • 模型预测MVI阳性亚组总生存HR为2.79(95%CI:1.35,5.75;P=.006),复发HR为2.17(95%CI:1.38,3.43;P<.001)。
  • 单因素和多因素logistic回归显示仅TH_DNN预测概率保留统计学显著性(P<.001),临床变量未用于构建联合模型。
  • 模型预测不受MRI场强影响(P=.49),不同habitat设置下异质性指标组内相关系数均超过0.7。

局限性

  • 机构2和机构3多数患者随访数据不完整,主要因失访等因素被排除在生存分析之外,生存分析仅基于内部训练和测试数据集。
全文中译18 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:Radiol Imaging Cancer. 2025 Oct 24;7(6):e250066. doi: 10.1148/rycan.250066

摘要

开发了一种基于MRI的方法,用于量化肝细胞癌的瘤内和瘤周异质性,显示出准确识别微血管侵犯和进行预后风险分层的潜力。

要点

■ 这项多中心研究评估了432例肝细胞癌患者,通过提取瘤内和瘤周异质性区域(ITH和PTH)的影像组学MRI特征来量化异质性。

■ 通过将ITH和PTH衍生的定量特征与深度神经网络相结合,该模型在识别微血管侵犯方面表现出色(训练集和测试集中受试者工作特征曲线下面积范围为0.82–0.99)。

■ 基于ITH和PTH的模型有效进行了预后风险分层,总生存期的风险比为2.79(P = .006),无复发生存期的风险比为2.17(P < .001)。

引言

肝细胞癌(HCC)是原发性肝癌的主要亚型,位居全球癌症相关发病率和死亡率的主要原因之列(1,2)。大量数据显示,微血管侵犯(MVI)的存在通常提示HCC患者预后不良,意味着术后复发和不良结局的可能性更高(3,4)。因此,能够在早期无创且准确地诊断MVI,可显著增强临床决策能力并促进HCC患者的个体化治疗策略(5)。

越来越多的证据强调,瘤内异质性(ITH)为识别新型生物标志物和开发个体化治疗策略提供了有价值的见解(6)。例如,ITH已被初步证明可作为乳腺癌和脑肿瘤的影像学预测因子,有助于肿瘤预后评估(7–9)。此外,瘤周微环境的变化通常介导参与肿瘤转移的上游信号通路,提示评估瘤周异质性(PTH)可能揭示新的诊断和预后标志物(10,11)。尽管如此,利用医学影像研究HCC中ITH和PTH的工作仍然匮乏。

肿瘤栖息地是指由具有相似生理、代谢、功能或遗传特征的组织组成的区域。这些栖息地为肿瘤组分提供了关键见解,其本质上反映了肿瘤的组成异质性(12–14)。从肿瘤栖息地衍生的独特组成信息可作为评估ITH和PTH的新策略的基础。

本研究的目标是开发一个基于肿瘤和瘤周栖息地的技术框架,用于量化HCC中的ITH和PTH,并利用ITH和PTH衍生的指标构建预测模型,用于无创诊断接受肝切除术的HCC患者的MVI并评估术后预后。具体而言,核心方法包括将肿瘤和瘤周区域编码为不同的栖息地,计算每个栖息地内的多个影像组学特征,并量化这些特征在不同栖息地之间的分布异质性。该方法有助于提取ITH和PTH的定量指标,这些指标有潜力作为肿瘤诊断、病理特征描述和预后评估的影像生物标志物。

材料与方法

图1展示了本研究的整体技术流程。具体方法描述如下。

图1:研究的技术流程图。主要流程包括多中心数据整合、MRI数据采集、肿瘤及瘤周组织分割、生境编码、特征提取、瘤内异质性(ITH)和瘤周异质性(PTH)量化、特征工程、微血管侵犯诊断模型构建、模型评估与生存分析以及可解释性分析。部分元素来源于本研究的实验结果,这些内容可能在其他图中也有更全面的呈现。这些呈现方式服务于不同的说明目的。ROC = 受试者工作特征。 查看原图 ↗

患者

本回顾性研究获得了三家参与机构的伦理委员会批准:复旦大学附属中山医院(机构1)、苏州大学附属第四医院(机构2)和中山大学肿瘤防治中心(机构3)。鉴于研究的回顾性性质,免除知情同意要求。2012年3月至2023年9月期间,初步纳入符合纳入标准的连续肝细胞癌(HCC)患者。随后应用排除标准确定最终队列。纳入标准包括经病理证实的单结节HCC患者,且接受根治性肝切除术和术前钆塞酸二钠增强MRI扫描。排除标准包括术前接受肝脏导向治疗的患者,如肝移植、化疗、放疗、经动脉化疗栓塞、射频消融或全身治疗;因扫描失败或相关问题导致MRI序列不完整;MR图像质量差,如严重运动伪影或变形;HCC体积较大(直径 > 5 cm);以及MRI与手术间隔时间超过3周。机构1的数据采用随机分层抽样分为内部训练集和测试集(7:3比例)。机构2和机构3的数据合并构成外部测试集。

MRI扫描

所有纳入患者均接受术前MRI检查。MRI方案包括T2加权成像、平扫T1加权成像、扩散加权成像以及钆塞酸二钠增强T1加权成像的动脉期(AP)、门静脉期、移行期和肝胆期(HBP)。选取四个MRI序列(T2加权成像、平扫T1加权成像、AP和HBP)用于ITH和PTH评估。分析ITH和PTH时的详细扫描参数和序列选择依据见附录S1。

ITH和PTH的量化

图像预处理

MR图像重采样至体素大小1.0 × 1.0 × 3.0 mm³,并进行归一化处理,以减轻不同序列间信号强度范围变异的影响。

肿瘤及瘤周组织分割

所有序列上的HCC边界由六名观察者独立勾画,以确保完整覆盖肿瘤区域:内部数据集(Y.Z.和R.S.,分别具有8年和超过10年的腹部MRI经验);外部机构2数据集(M.S.和W.Z.,分别具有3年和15年的腹部MRI经验);外部机构3数据集(Z.G.和S.W.,分别具有10年和12年的腹部MRI经验)。基于HCC分割,使用基于Python的软件包SciPy中实现的膨胀算法,分割距离肿瘤边界3、5和7 mm的瘤周组织(分别命名为Peri3、Peri5和Peri7)。更多细节见附录S1。

瘤内和瘤周生境编码

应用简单线性迭代聚类算法(一种无监督聚类方法),基于强度、纹理和空间结构的相似性,将瘤内区域和每个瘤周区域在不同尺度(Peri3、Peri5和Peri7)上独立编码为各50个生境。将这些区域编码为各自50个生境的详细技术考量见附录S1。

特征提取

使用基于Python的软件包PyRadiomics(15)提取瘤内和瘤周区域中每个生境的影像组学特征。为便于比较分析,还提取了整个HCC区域(未进行生境分割)的影像组学特征。对于每个序列(T2加权成像、平扫T1加权成像、AP和HBP),提取107个特征,每个生境或整个HCC区域产生428个特征(107 × 4个序列)。提取的特征详见表S1。

异质性量化

变异系数广泛用于表征不同实例间数值的变异性——值为0表示完全均匀,而较高的值表示分布中异质性增加。因此,使用每个影像组学特征跨生境的变异系数来量化异质性,反映特征在所有生境中的不均匀分布:

其中SDi和meani分别指featurei在各生境中的标准差和均值。该参数反映featurei在生境间的不均匀分布,值越高表示分布异质性越大。我们衍生出1712个异质性特征(428个特征 × 四个区域[瘤内、Peri3、Peri5和Peri7])以量化ITH和PTH。

图像预处理、瘤周分割、特征提取和异质性量化的源代码以开源形式公开 available 于 https://github.com/yunfei920406/ITH_PTH_HCC_Project。

临床特征与预后随访

临床数据,包括MVI的病理诊断,从参与医院的电子病历系统中提取。MVI定义为门静脉、肝静脉和肿瘤包膜血管内衬内皮中存在的肿瘤细胞巢(16)。肿瘤直径测量为病灶的最长轴。来自机构1的患者术后以1至4个月的间隔进行定期随访。收集详细的生存数据,包括手术日期以及与复发、转移和死亡相关的信息。来自机构2和机构3的大多数患者的随访数据不完整——主要是由于失访和其他因素——因此被排除在后续生存分析之外。

模型构建

特征选择分三步进行。首先,排除观察者内或观察者间组内相关系数小于0.800的特征。其次,排除在MVI阴性和MVI阳性组之间无差异证据(Student t检验或Mann-Whitney U检验)的特征。第三,使用决策树算法根据特征重要性评分选择前20个特征,重要性评分根据每个特征对降低模型不纯度的贡献计算。使用基于ITH和PTH的特征子集(即肿瘤异质性[TH]特征子集),通过将TH特征集与逻辑回归、随机森林、决策树、支持向量机、AdaBoost、k近邻或深度神经网络(DNN)算法相结合,开发了七种模型。使用上述相同的三步特征选择方法,选择HCC的影像组学特征(无栖息地编码)以形成特征子集(命名为“Rad”)。该特征子集与上述七种算法相结合,构建了七种不同的预测模型。特征工程和模型构建的开源代码可在https://github.com/yunfei920406/ITH_PTH_HCC_Project获取。

模型评估

通过混淆矩阵分析和受试者工作特征(ROC)曲线分析评估了我们模型的诊断性能。计算了以下指标:ROC曲线下面积(AUC)、灵敏度、特异度、准确度、精确率、召回率和F1分数。校准误差源自校准曲线分析,也用于评估预测。我们的模型基于内部训练数据集开发,并在独立的内部测试和外部测试队列中进行评估。

统计分析

在进行本研究之前,我们使用基于ROC分析的效能分析来估计所需样本量,将统计效能和显著性水平分别设定为0.90和.05。我们使用组内相关系数分析了在不同生境设置(n = 30、40、50、60或70)下计算所得的所选ITH和PTH衍生特征(TH特征子集)的稳定性。使用单变量和多变量逻辑回归模型评估临床变量、模型预测概率与MVI状态之间的关系。应用Kaplan-Meier生存曲线和log-rank检验分析术后复发、总生存期(OS)与MVI亚组之间的关系。计算了限制性平均生存时间(RMST)和限制性平均无复发生存时间(RMRFT)。RMST和RMRFT通过计算特定时间窗内OS和RFS曲线下面积,反映患者在特定时间窗内的平均生存时间和平均无复发生存(RFS)时间。进行Cox回归分析以确定预后危险因素。双侧P < .05被认为具有统计学显著性。生存分析基于内部训练集和测试集。进行Shapley加性解释(SHAP)分析以进行可解释性分析。SHAP分析使用基于Python的shap软件包(17)进行。以内部训练数据作为背景数据建立SHAP模型。分别在内部和外部测试数据集上独立计算SHAP值,然后用于独立的可解释性分析。效能分析使用PASS软件(版本2021;NCSS)进行。其他统计分析使用R软件(版本4.1.0;R Foundation for Statistical Computing)进行。

结果

患者特征

最初纳入来自机构1的366例患者,之后排除91例,最终纳入275例患者。来自机构2最初纳入146例患者,排除51例,剩余95例患者。同样,来自机构3最初纳入123例患者,排除61例,最终为62例患者(图2)。

采用分层抽样将机构1的数据分为内部训练队列(n = 192;169例[88.0%]男性,23例[12.0%]女性;平均年龄52.77岁 ± 11.26[SD];肿瘤大小2.09 cm ± 0.99;45例[23.4%]患者诊断为MVI)和内部测试队列(n = 83;70例[84.3%]男性,13例[15.7%]女性;平均年龄53.13岁 ± 11.15;肿瘤大小2.10 cm ± 1.04;20例[24.1%]患者诊断为MVI)。将机构2和机构3的数据合并形成外部测试队列(n = 157;132例[84.1%]男性,25例[15.9%]女性;平均年龄56.83岁 ± 10.56;肿瘤大小2.98 cm ± 1.05;53例[33.8%]患者诊断为MVI)。详细的患者特征见表1。

图2:患者纳入和排除流程图。中心A、B和C分别为机构1、2和3。HCC = 肝细胞癌。 查看原图 ↗
表1:内部训练集、内部测试集和外部测试集的临床特征 查看原表 ↗

ITH和PTH的可视化与定量

图3A展示了本研究开发的异质性量化框架的核心概念。肿瘤及瘤周组织被分割为不同的栖息区,并从每个栖息区提取高通量影像组学特征。随后量化每个影像组学特征在这些栖息区之间分布的异质性,从而推导出代表瘤内异质性(ITH)和瘤周异质性(PTH)的特征。图3B展示了高ITH和PTH以及低ITH和PTH的示例。图3C展示了一名MVI阳性患者和一名MVI阴性患者的异质性可视化结果。我们的结果表明,与MVI阴性患者相比,MVI阳性患者表现出显著更高的ITH和PTH,表现为特征在不同栖息区之间的分布更为异质。

图3:瘤内异质性(ITH)和瘤周异质性(PTH)的可视化与量化。(A)量化ITH和PTH的核心框架。首先,利用无监督聚类算法将PTH和ITH组织编码为不同的栖息区(每种颜色代表一个不同的栖息区)。其次,在每个栖息区中计算影像组学特征i(颜色代表特征i在不同栖息区中的值)。第三,利用( )量化特征i在栖息区之间分布的异质性。SDFeaturei和MeanFeaturei分别指特征i在各栖息区间的标准差和均值。由此,特征i在这些栖息区之间分布的异质性得以量化,从而推导出代表ITH和PTH的特征i(ITH & PTH(Featurei))。由于高通量影像组学特征可在每个栖息区中计算,通过将该方法扩展至所有特征,我们可以推导出一套全面的ITH和PTH定量表征。(B)低ITH和PTH与高ITH和PTH的示意图。(C)一名微血管侵犯(MVI)阳性患者(50岁男性)和一名MVI阴性患者(71岁男性)的ITH和PTH可视化,来源于各种影像组学特征在ITH和PTH栖息区间的异质性分布。与MVI阴性患者相比,MVI阳性患者表现出更高的ITH和PTH,表现为特征在栖息区之间分布的异质性更大。代表不同栖息区内特征值的彩色图叠加于MR图像上。 查看原图 ↗

模型构建与评估

进行了三步特征选择过程,包括组内相关系数过滤、单变量检验和基于决策树的排序。该过程分别为基于传统影像组学的子集(Rad)保留了269、130和20个特征,分别为源自ITH和PTH的子集(TH特征子集)保留了1424、136和20个特征(表S2、S3)。表2和S4总结了使用基于ITH和PTH的特征以及传统影像组学特征识别MVI的模型的诊断性能。与其他特征子集的模型相比,纳入TH子集特征的DNN模型(TH_DNN模型)在所有数据集中均表现出更优的诊断性能。TH_DNN模型的诊断指标如下:内部训练集:AUC = 0.99,灵敏度 = 100.0%,特异度 = 96.6%,准确度 = 97.4%,精确度 = 90.0%,召回率 = 100.0%,F1分数 = 0.95;内部测试集:AUC = 0.88,灵敏度 = 90.0%,特异度 = 73.0%,准确度 = 77.1%,精确度 = 51.4%,召回率 = 90.0%,F1分数 = 0.66;外部测试集:AUC = 0.82,灵敏度 = 66.0%,特异度 = 81.7%,准确度 = 76.4%,精确度 = 64.8%,召回率 = 66.0%,F1分数 = 0.65。TH_DNN模型在内部和外部测试队列中均 consistently 优于传统影像组学模型。

图4展示了ROC曲线、混淆矩阵和校准曲线分析,内部训练集、内部测试集和外部测试数据集的校准误差分别为0.09、0.12和0.22。如表S5所示,纳入TH_DNN预测概率和其他临床指标的单变量和多变量logistic回归分析显示,仅TH_DNN预测概率保留统计学显著性(P < .001)。因此,未使用临床变量与TH_DNN模型构建联合模型。

此外,我们进行了单变量回归以验证模型的诊断预测是否独立于MRI场强。如表S6所示,模型的预测不受场强影响(P = .49)。如图S2所示,异质性指标在不同栖息地设置下保持相对稳定,所有组内相关系数均超过0.7。

表2:基于ITH和PTH的模型的诊断性能 查看原表 ↗
图4:TH_DNN模型在内部训练、内部测试和外部测试队列中的诊断性能评估。(A) 受试者工作特征曲线展示了TH_DNN模型在训练(蓝色)、测试(绿色)和外部测试(粉色)队列中的诊断准确性。(B) 雷达图比较了三个队列的关键性能指标——准确度(ACC)、灵敏度(Sens)、特异度(Spe)、精确度(Prec)、召回率、F1分数和受试者工作特征曲线下面积(AUC)。(C) 混淆矩阵显示了每个队列的分类结果。(D) 校准曲线评估了预测概率与实际微血管侵犯(MVI)状态之间的一致性,内部训练、内部测试和外部测试队列的校准误差分别为0.09、0.12和0.22。DNN = 深度神经网络,TH = 肿瘤异质性。 查看原图 ↗

模型可解释性分析

由于TH_DNN模型表现出最佳的预测性能,因此进行SHAP分析以探究其决策机制。图5A显示了SHAP值热图,阐明了不同特征对个体患者模型输出的影响。SHAP重要性排序见表S7。值得注意的是,PTH_Peri5_AP_firstorder_Kurtosis、PTH_Peri3_AP_glszm_SizeZoneNonUniformity和PTH_Peri5_AP_glrlm_GrayLevelNonUniformity特征是贡献最大的特征,其不同模式可区分MVI阳性和MVI阴性患者。图5B总结了不同特征的全局重要性,强调了它们与MVI诊断的关联。PTH_Peri5_AP_firstorder_Kurtosis特征观察到的高SHAP值变异性突显了其在MVI识别中的效用。MVI阴性患者(图5C)和MVI阳性患者(图5D)的代表性预测进一步说明了决策过程,展示了特定特征如何影响模型支持MVI诊断的置信度。我们还分析了TH子集(n = 20)中所选特征在不同MRI序列和空间尺度上的分布(图5E、5F)。具体而言,我们从AP成像中提取了七个特征,从HBP成像中提取了五个特征,从T2加权成像中提取了四个特征,从增强前T1加权成像中提取了四个特征。在空间分布方面,我们从Peri5和ITH中均提取了六个特征,从Peri3中提取了五个特征,从Peri7中提取了三个特征。

图5:使用Shapley加法解释(SHAP)对TH_DNN模型进行可解释性分析。(A)热图可视化了TH_DNN模型中个体预测的排名靠前特征的SHAP值。每一行代表一个特征,每个点代表单个实例的SHAP值。正SHAP值(红色)表示对模型预测的正贡献,而负SHAP值(蓝色)表示负贡献。(B)SHAP依赖图突出了最具影响力特征的特征值与SHAP值之间的关系,说明了特征值的变化如何影响模型预测。(C)SHAP力图为一位微血管侵犯阳性的代表性患者(52岁男性)可视化了特征贡献。(D)SHAP力图突出了一位微血管侵犯阴性的代表性患者(58岁男性)的特征贡献。肿瘤异质性(TH)子集(n = 20)中所选特征在不同(E)MRI序列和(F)空间尺度上的分布。AP = 钆塞酸二钠增强T1加权成像动脉期,DNN = 深度神经网络,HBP = 钆塞酸二钠增强T1加权成像肝胆期,ITH = 瘤内异质性,Peri3 = 距离3 mm的瘤周组织,Peri5 = 距离5 mm的瘤周组织,Peri7 = 距离7 mm的瘤周组织,PRE = 增强前T1加权成像,T2 = T2加权成像。 查看原图 ↗

预后评估与风险分层

研究人群根据病理MVI诊断分为不同的组——MVI阳性组和MVI阴性组,以及TH_DNN模型预测组(即Pred_MVI阳性组和Pred_MVI阴性组)。在MVI阳性组与MVI阴性组之间(log-rank P < .001和P = .006),以及Pred_MVI阳性组与Pred_MVI阴性组之间(log-rank P < .001和P = .004),无复发生存期(RFS)和总生存期(OS)的Kaplan-Meier生存曲线观察到显著差异(图6)。如表3所示,MVI阳性组预后较MVI阴性组更差:中位RFS(71.7 vs 94.0个月;P < .001)、3年RMRFT(28.0 vs 33.6个月;P < .001)、5年RMRFT(43.9 vs 52.5个月;P < .001)、3年RMST(32.5 vs 35.0个月;P = .10)和5年RMST(53.3 vs 57.1个月;P = .01)。同样,Pred_MVI阳性组预后较Pred_MVI阴性组更差:中位RFS(77.0 vs 93.7个月;P < .001)、3年RMRFT(28.1 vs 33.7个月;P < .001)、5年RMRFT(43.9 vs 52.7个月;P < .001)、3年RMST(31.2 vs 35.1个月;P = .01)和5年RMST(53.1 vs 57.3个月;P = .007)。MVI和预测MVI均与更差的OS和术后复发显著相关(表S8)。对于OS,实际MVI和预测MVI的风险比分别为2.68(95% CI:1.29,5.54;P = .008)和2.79(95% CI:1.35,5.75;P = .006)。对于复发,实际MVI和预测MVI的风险比分别为2.21(95% CI:1.40,3.50;P < .001)和2.17(95% CI:1.38,3.43;P < .001)。

图6:无复发生存期和总生存期的Kaplan-Meier曲线。(A)病理确诊微血管侵犯阳性(MVI(+))与阴性(MVI(-))之间无复发生存期的Kaplan-Meier生存曲线。(B)预测MVI阳性(Pred_MVI(+))与阴性(Pred_MVI(-))之间无复发生存期的Kaplan-Meier生存曲线。(C)MVI阳性与MVI阴性之间总生存期的Kaplan-Meier生存曲线。(D)预测MVI阳性与预测MVI阴性之间总生存期的Kaplan-Meier生存曲线。 查看原图 ↗
表3:按病理和预测MVI状态分层的生存结局 查看原表 ↗

效能分析

在研究进行之前,我们的效能分析估计需要57的样本量才能达到0.80的统计效应量(AUC),统计效能为0.90,显著性水平为.05。所需样本量随AUC增加而减少。TH_DNN模型在所有亚组中均达到超过0.80的AUC值,内部训练组、内部测试组和外部测试组的样本量分别为192、83和157;因此,该研究在ROC分析中达到了超过0.90的统计效能。用于效能分析的确切输入和输出的总结见附录S2。

讨论

越来越多的证据凸显了量化肿瘤异质性(TH)的临床价值。尽管已有进展,但仍存在若干不足:刻画肝细胞癌(HCC)瘤内异质性(ITH)和瘤周异质性(PTH)的研究有限,传统影像组学技术缺乏直观的量化性和可解释性,且模型的泛化性和可解释性很少利用多中心数据进行评估。在本研究中,我们提出了一种利用高通量定量特征评估ITH和PTH的新策略。开发了用于术前预测微血管侵犯(MVI)的诊断模型,并通过SHAP分析进行解释。基于多中心数据,该模型取得了优异的性能(AUC = 0.82–0.99),并有效对术后预后风险进行分层。该方法有望作为一种创新的影像学工具支持临床决策。

近期几项研究尝试评估利用ITH进行肿瘤评估的可行性。例如,Shi等(8)提出了一种基于治疗前MRI的方法来量化乳腺癌中的ITH,预测病理完全缓解的AUC范围为0.83–0.90。Park等(18)展示的数据揭示,时空异质性与异柠檬酸脱氢酶野生型胶质母细胞瘤的患者结局相关。在其他研究中,基于传统影像组学参数对ITH进行了初步的定性评估(19–21)。例如,Mu等(19)计算了肿瘤内不同亚区域的影像组学参数以间接评估ITH。我们跨区域编码了50个不同的生境以量化ITH和PTH。这一选择反映了编码复杂度与特征提取粒度之间的权衡。我们承认这种设置可能并非普遍最优;未来的研究可在我们的方法基础上,根据病变类型、大小和影像学特征定制生境数量,以更有效地捕捉ITH和PTH。本研究表明,在所有生成的预测模型中,包括传统影像组学模型,TH_DNN模型产生了最高的诊断效能。这一发现有几项可能的解释。第一,MVI本质上是瘤周区域的病理特征,而TH_DNN模型是基于ITH和PTH构建的。源自瘤周区域的PTH所衍生的定量参数更有利于诊断MVI。既往研究结果也强调了瘤周MRI在评估MVI中的重要性(22,23)。第二,本研究使用了多种MRI序列以及从瘤周和瘤内组织不同尺度计算的高通量特征,为模型构建提供了基础。第三,作为深度学习模型,DNN能够捕捉输入特征之间复杂的非线性关系。利用反向传播和大规模参数优化算法,DNN能够比其他方法更全面地对多维特征进行训练,从而识别更好的决策边界(24,25)。

基于SHAP的可解释性分析有助于识别关键特征,并结合可视化结果,可进一步提供新的诊断见解。在TH特征子集的20个特征中,仅有6个来源于瘤内(ITH),其余14个特征来源于瘤周(PTH)。对TH_DNN模型可解释性的SHAP分析显示,影响模型决策的前三位最重要特征分别为PTH_Peri5_AP_firstorder_Kurtosis、PTH_Peri3_AP_glszm_SizeZoneNonUniformity和PTH_Peri5_AP_glrlm_GrayLevelNonUniformity。这些特征均提取自瘤周区域,凸显了PTH的价值。值得注意的是,PTH_Peri5_AP_firstorder_Kurtosis对模型输出的总体影响最大,提示瘤周区域的强度分布特征与诊断预测尤为相关。在前三位最重要特征中,全部(100.0%)来源于PTH,前10位中有70.0%来源于PTH。上述发现进一步支持了PTH在MVI诊断中的价值。此外,来源于AP(20个中的7个;35%)和HBP(20个中的5个;25%)的特征在所选特征中最为常见,表明AP和HBP成像特征与MVI具有更强的关联。既往结果也发现,来源于AP和HBP的影像特征(如动脉期高强化和肝胆期低信号)是MVI的危险因素(5,22,26)。

MVI被广泛认为是HCC的重要预后因素。一项纳入14项研究、3033例患者的荟萃分析显示,MVI阳性组的总生存期(OS)显著劣于MVI阴性组(风险比=2.39;95% CI:2.02,2.84;P < .001)。亚组分析表明,MVI对直径达2、3或5 cm的单发小HCC患者的长期OS和无复发生存期(RFS)均有负面影响(27)。考虑到肝切除术是早期HCC的首选治疗,我们仅纳入直径≤5 cm的HCC,与既往研究相似(28,29)。我们的结果也证实MVI与HCC不良预后相关。使用TH_DNN模型,MVI(此前需要病理学确认)可以被无创且准确地诊断。通过将患者分为预测阳性和阴性组,我们发现Pred_MVI阳性组的手术结局更差。因此,所提出的策略可用于HCC患者术前无创MVI诊断以及评估术后复发和生存风险,这对于制定个体化治疗策略具有价值——例如,识别可能从辅助治疗或强化术后监测中获益的候选者。

本研究存在局限性。首先,这是一项回顾性研究,未来应纳入前瞻性研究样本以进一步评估。其次,尽管进行了效能分析,未来研究仍需更大的研究样本以验证所提出策略的有效性和稳健性。第三,我们未纳入影像学特征来识别MVI的危险因素并随后构建联合模型。未来研究通过纳入影像学特征可能进一步提高模型性能。本研究中临床变量未纳入预测模型,因为这是数据驱动的决策。然而,在未来涉及独立队列的研究中,如果发现某些临床变量与目标变量显著相关,这一选择可能不适用。第四,SHAP分析中的潜在偏倚因素包括样本量、数据分布、模型复杂度和特征缩放。在实际应用中,应综合考虑这些因素。第五,生存分析仅使用机构1的数据进行,因为其他机构的生存数据不可用,这可能限制了基于生存分析的研究结果的普适性。第六,单变量分析被用作特征选择的第二步,以识别组间显示显著差异的特征。然而,这种方法可能忽略非线性但有信息量的特征,可能损害模型性能并增加过拟合风险。第七,该工作流程可在普通消费级PC上每例10分钟内完成,主要时间限制来自手动分割。未来整合自动分割技术可能将处理时间缩短至仅几秒钟。

总之,我们评估了一种基于栖息地的策略,用于定量编码HCC的ITH和PTH,从而实现MVI的无创准确诊断和预后风险分层。因此,该方法有望通过早期准确识别MVI和评估术后复发风险来指导临床决策,帮助临床医生制定最佳治疗方案,最终为患者带来临床获益。

引用

  1. Zhang Y, Wang S, Song M, et al. MRI-based Intra- and Peritumoral Heterogeneity in Hepatocellular Carcinoma for Microvascular Invasion Prediction and Prognostic Risk Stratification. Radiol Imaging Cancer. 2025. PMID: 41134139. doi:10.1148/rycan.250066
  2. 全文:PMC12670032(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12670032/

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。