文献速递腹部技术与安全MR

基于MRI生境放射组学与深度学习预测肝细胞癌血管包绕肿瘤簇及生存

MRI-based habitat radiomics and deep learning for predicting vessels encapsulating tumor clusters and survival in hepatocellular carcinoma.
PubMed 文献 · Insights Imaging · 2025-12-22

双中心回顾性研究纳入625例肝细胞癌患者,基于钆塞酸二钠增强MRI构建深度学习放射组学列线图预测血管包绕肿瘤簇(VETC)状态。外部测试集中列线图AUC为0.752,高于临床-影像模型0.678(p=0.004);列线图评分是RFS的独立预后因素(HR 1.279)。

要点

  • VETC+肝细胞癌在生境放射组学图上以轻中度强化(红)和坏死(绿)生境为主,仅少量富血供(蓝)生境。
  • 深度学习类激活图显示模型关注肿瘤富血供区域,与VETC血管生成特征对应。
  • 列线图预测VETC+者RFS较差,训练集、内部及外部测试集中位RFS分别为27.0、22.0、24.1个月。

核心结论

  • 基于钆塞酸二钠增强MRI的深度学习放射组学列线图有助于术前预测肝细胞癌VETC状态并评估无复发生存风险。
  • 列线图评分是RFS的独立预后因素(HR 1.279,95%CI 1.051–1.557,p=0.014)。
  • 作者认为该预后模型表现仅为中等,应作为临床应用的补充工具而非独立工具。

研究设计与样本

  • 双中心回顾性研究,2016年1月至2024年3月连续纳入717例肝细胞癌患者,最终625例纳入分析(平均年龄59.32±10.31岁,473例男性)。
  • 中心1患者按7:3随机分为训练集(n=296)和内部测试集(n=126),中心2患者为外部测试集(n=203)。
  • 使用两台3.0T MRI扫描仪(Siemens Magnetom Skyra和GE SIGNA Premier),注射Gd-EOB-DTPA 0.1 mL/kg后分别于30–35 s、65–70 s和20 min采集动脉期、门静脉期和肝胆期图像。
  • 参考标准为术后病理CD34免疫组化确认的VETC模式,由两名有8年肝脏组织病理经验的病理学家评估,意见不一致时咨询有20年以上经验的资深病理学家。
  • VETC+定义为可见全部或部分VETC模式,VETC−定义为无任何VETC模式。

关键影像表现/征象

  • 生境放射组学模型可视化显示,VETC+肝细胞癌病灶以轻中度强化生境(红色)和坏死生境(绿色)为主,仅少量富血供生境(蓝色)。
  • 深度学习类激活图热图显示模型对动脉期、门静脉期和肝胆期图像中的富血供肿瘤区域有显著关注。

诊断标准与关键数值

  • 外部测试集中列线图AUC为0.752(95%CI 0.686–0.809),临床-影像模型AUC为0.678(95%CI 0.609–0.742),两者差异p=0.004。
  • 内部测试集中列线图AUC为0.715(95%CI 0.627–0.792),临床-影像模型AUC为0.696(95%CI 0.608–0.775),两者差异p=0.55。
  • 外部测试集中生境放射组学模型AUC为0.750(95%CI 0.684–0.808),深度学习模型AUC为0.748(95%CI 0.681–0.815)。
  • 内部测试集中生境放射组学模型AUC为0.749(95%CI 0.664–0.822),深度学习模型AUC为0.709(95%CI 0.618–0.801)。
  • 列线图在内部和外部测试集中的F1分数分别为0.672和0.706,高于生境放射组学模型(0.667和0.361)和深度学习模型(0.626和0.704);校准曲线Hosmer-Lemeshow检验p值分别为0.739和0.489。

临床应用与阅片要点

  • 作者认为,对于预测为VETC+的患者,临床医生可考虑术后辅助策略如TACE或索拉非尼,并采用强化的影像学监测。
  • 基于预后模型的个体化RFS预测可能进一步促进个性化随访策略。
  • 作者指出该预后模型表现仅为中等,应作为临床应用的补充工具而非独立工具。

局限性

  • 作者指出预后模型表现仅为中等,应作为临床应用的补充而非独立工具。
  • 作者认为该局限可能归因于Cox回归分析纳入变量有限,鉴于肝细胞癌预后本身的多因素性质。
  • 作者认为内部测试集中列线图与临床-影像模型性能相当可能由于样本量有限导致AUC小幅波动,可能缺乏临床意义。
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:Insights Imaging. 2025 Dec 22;16:284. doi: 10.1186/s13244-025-02167-3

引言

肝细胞癌(HCC)是癌症相关死亡的第三大原因,预后较差,术后5年复发率为50–70%,是全球范围内的重大健康问题[1, 2]。HCC的血管生成和血管重塑与肿瘤进展密切相关[3–5]。包绕肿瘤簇的血管(VETC)是HCC中一种新颖且独特的侵袭性血管模式。其在病理影像中定义为CD34+血窦血管包绕肿瘤簇[6],已知可促进血行转移和早期复发[7–9]。研究表明,VETC+ HCC患者可从索拉非尼或术后预防性辅助经动脉化疗栓塞(TACE)中获益,总生存期和无复发生存期(RFS)均有改善[10, 11],而VETC−患者未观察到类似获益。因此,术前准确预测VETC状态具有重要的临床意义。此外,由于VETC+ HCC患者面临更高的复发风险,术前预测RFS可能有助于指导个体化监测策略。

然而,VETC目前只能通过术后组织病理学诊断。因此,有必要开发一种非侵入性工具来术前预测VETC状态和RFS。

近期研究已探索通过医学图像分析,特别是影像组学和深度学习,来术前预测VETC状态和患者预后。然而,传统影像组学通常将整个肿瘤视为均质实体[12]。栖息地影像组学是一种创新的影像组学策略,采用体素级影像组学聚类算法勾画肿瘤内生物学均质子区域以进行特征提取[13, 14]。

深度学习(DL)在疾病诊断中发挥了关键作用;然而,其临床实用性受到固有缺乏可解释性的限制[15–17]。SHAP(Shapley加性解释)是一种实现模型可解释性的工具,其基于合作博弈论提供可解释框架,能够在全局和个体层面量化模型中特征的贡献[18, 19]。此外,整合多模态数据,如栖息地影像组学和DL特征,可提供更全面的信息,从而获得更好的预测和预后性能[20–22]。

因此,我们尝试开发并验证一种深度学习影像组学(DLR)列线图模型,该模型基于Gd-EOB-DTPA增强MRI,将筛选的临床-影像学特征与栖息地影像组学和DL评分相结合,以术前预测HCC的VTEC状态和RFS。

材料与方法

患者人群和临床特征

这项双中心回顾性研究经苏州大学附属第一医院机构伦理审查委员会批准(批准号:2024-260),豁免知情同意。从2016年1月至2024年3月,连续纳入717例肝细胞癌(HCC)患者。纳入标准为:(1)接受肝切除术;(2)术前2周内接受Gd-EOB-DTPA增强MRI检查;(3)组织学确诊HCC并有VETC结果。排除标准为:(1)术前接受其他抗肿瘤治疗;(2)临床-影像学资料不完整;(3)图像质量差。当存在多个病灶时,选择最大病灶进行分析。最终,625例符合条件的患者纳入后续分析。来自苏州大学附属第一医院(中心1)的患者按7:3的比例随机分为训练集(n = 296)和内部测试集(n = 126),而来自南通大学附属南通第三医院(中心2)的患者被分配至外部测试集(n = 203)(图1)。

从病历中收集临床特征,包括年龄、性别、病毒性肝炎、丙氨酸氨基转移酶(ALT)、天冬氨酸氨基转移酶(AST)、γ-谷氨酰转移酶(GGT)、甲胎蛋白(AFP)和肝硬化。本研究的总体工作流程如图2所示。

采用CLEAR清单以确保标准化报告,完成的清单作为补充材料提供。

图1 患者筛选流程。HCC,肝细胞癌;VETC,包裹肿瘤簇的血管 查看原图 ↗
图2 本研究的总体工作流程。从肿瘤分割到模型构建以预测肝细胞癌中包裹肿瘤簇的血管和无复发生存期的过程。DLR,深度学习影像组学;AP,动脉期;PP,门静脉期;HBP,肝胆期 查看原图 ↗

病理分析

所有肿瘤标本由两名病理科医师(M.D.和C.G.,各具有8年肝脏组织病理学经验)进行评估。如有分歧,将咨询具有20年以上经验的资深病理科医师。VETC模式的表征为存在由CD34+内皮细胞包绕肿瘤簇的窦样血管(图3a)。完全或部分可见VETC模式的病例被鉴定为VETC+,而没有任何VETC模式的病例被鉴定为VETC−。

图3 基于一名44岁男性VETC+ HCC患者的数字病理图像和模型可视化。a VETC+患者CD34免疫组化染色(原始放大倍数,× 200)。b、c 栖息地影像组学模型可视化。使用AP图像展示通过相似体素聚类形成的三个亚区域。HCC病灶主要显示轻至中度强化(红色栖息地)和坏死栖息地(绿色栖息地),仅见少量富血供栖息地(蓝色栖息地)。d 深度学习模型可视化。轴位AP、PP和HBP图像的类激活映射(CAM)热图。红色表示与VETC模式相关的激活区域。VETC,包裹肿瘤簇的血管;HCC,肝细胞癌;AP,动脉期;PP,门静脉期;HBP,肝胆期 查看原图 ↗

MRI采集与肿瘤分割

使用两台3.0 T MRI扫描仪(Siemens Magnetom Skyra和GE SIGNA Premier)进行扫描。静脉团注0.1 mL/kg体重的Gd-EOB-DTPA(Primovist®,Bayer)后,分别于30–35 s、65–70 s和20 min获取包括动脉期(AP)、门静脉期(PP)和肝胆期(HBP)图像在内的多期图像。MRI扫描序列和参数见补充表S1。

由两名初级放射科医师(Q.W.和Y.F.,分别具有5年和8年经验)使用ITK-SNAP(http://www.itksnap.org)以共识方式手动勾画三个期相中HCC的感兴趣体积(VOI),并由一名具有12年经验的资深放射科医师(Y.Y.)审核。基于所有分割掩膜的平均Dice相似系数(DSC)评估观察者间可重复性,以评估两名初级放射科医师与资深放射科医师分割之间的可重复性。

临床-影像学模型构建

两名腹部放射科医师(Q.W.和Y.F.)以共识方式评估以下影像学特征:①肿瘤大小;②肿瘤数目;③病灶形状;④强化模式:环形动脉期高强化(APHE)、非环形APHE、低强化;⑤廓清表现:周边廓清、非周边廓清、无;⑥包膜表现:强化包膜、非强化包膜、无;⑦坏死:局灶性坏死、大量坏死(在最大横截面直径上占据肿瘤至少20%)[23, 24]、无;⑧瘤内动脉;⑨延迟强化;⑩卫星结节;⑪瘤内出血;⑫瘤内脂肪;⑬LI-RADS。所有纳入患者均符合LI-RADS v2018高危人群标准,因此符合LI-RADS分类条件[25]。如出现任何分歧,最终评估由资深放射科医师(Y.Y.)裁定。关键定性特征的代表性图像见补充图S1。基于训练集,对单因素分析筛选出的特征通过排除方差膨胀因子(VIF)超过10的变量进行多重共线性检验。其余特征纳入多变量逻辑回归以识别独立预测因子,并构建用于VETC预测的临床-影像学模型。

栖息地影像组学模型构建

将VOI导入PyRadiomics软件包(v3.1,http://www.radiomics.io/pyradiomics.html),该软件包符合图像生物标志物标准化倡议(IBSI)标准[26],用于栖息地影像组学特征提取。图像预处理包括图像归一化、各向同性重采样至1 × 1 × 1 mm³、以固定箱宽5进行离散化,以及小波和LoG滤波器。使用Calinski-Harabasz指数进行K-means聚类(k = 2–8),确定最佳k = 3用于亚区域分割和异质性可视化(图S2)。来自同一聚类的像素被赋予相同颜色以生成聚类标签图(图3b、c)。从每名患者中总共提取(n = 1132 × k)个特征。

所有三个特征集的特性均导入FAE软件(v0.5.6,https://github.com/salan668/FAE)进行处理,该软件为用Python编程的开源软件包。特征预处理包括使用合成少数类过采样技术进行数据平衡、Z分数归一化以及去除高度相关特征(PCC > 0.90)。然后,在FAE框架内,将四种特征选择方法(ANOVA、Kruskal-Wallis、RFE和Relief)与9种分类器(SVM、LDA、随机森林、逻辑回归、LR-Lasso、AdaBoost、决策树、高斯过程、朴素贝叶斯)结合,使用默认的scikit-learn(v1.3.0)超参数,针对动脉期(AP)、门静脉期(PP)、肝胆期(HBP)和联合期(CP)生成144个(4 × 9 × 4)模型。所有模型均在固定训练集上训练,未进行交叉验证。根据最高曲线下面积(AUC)选择用于VETC预测的最佳生境放射组学模型,生境放射组学评分由其平均预测概率得出。最终,基于RFE方法和SVM分类器的生境放射组学模型被确定为最佳模型。

深度学习模型构建

本研究开发了3D Swin Transformer模型,用于从强度归一化([0,1])的MRI图像中提取特征。模型采用PyTorch(v2.1.0,https://github.com/pytorch/pytorch)中'torchvision.models.video'模块的"swin3d_s"架构。训练中纳入数据增强(Resized、ScaleIntensityRanged、RandFlipd、RandAffined)、学习率衰减(初始0.0001,指数衰减0.1/7个epoch)和焦点损失(γ = 2.0,α = 0.3),以解决过拟合和类别不平衡问题。训练使用批大小为16,训练200–500个epoch。最终权重用于从图像中提取特征。最终,每位患者提取768个深度学习特征。这些特征在FAE软件中按照与生境放射组学模型相同的建模流程进行处理,即结合四种特征选择方法和9种分类器,使用默认scikit-learn超参数,产生144个深度学习模型。所有模型均在固定训练集上训练,未进行交叉验证。根据最高AUC选择最佳深度学习模型,深度学习评分由其平均预测概率计算。最终,基于Kruskal-Wallis检验和朴素贝叶斯分类器的深度学习模型被确定为最佳模型。类别激活映射(CAM)突出了对预测有贡献的区域[27](图3d)。

深度学习放射组学列线图模型构建与可视化

用于VETC预测的深度学习放射组学(DLR)列线图模型通过整合单因素筛选的临床-影像学特征(来自训练集)以及生境放射组学评分和深度学习评分,在评估多重共线性后使用多因素逻辑回归构建。DLR评分由平均预测概率计算得出。SHAP分析为模型提供了直观的可视化解释。

RFS的Cox回归分析

术后每3–6个月通过AFP和影像学检查(增强CT或MRI)进行常规随访,以发现疾病复发或转移。RFS定义为从手术至首次记录到肿瘤复发或截至2025年1月26日前任何原因死亡的时间。

基于训练集,进行单因素Cox回归分析,以在DLR评分和十项临床-影像学特征(年龄、性别、病毒性肝炎状态、ALT、AST、GGT、AFP水平、肝硬化、肿瘤大小和肿瘤数目)中确定RFS的潜在预后因素。使用相关性分析和多重共线性评估排除冗余变量。进行多因素Cox回归分析以确定独立预测因素并开发RFS的预后模型。

统计分析

所有统计分析均使用SPSS 25.0、R软件(v4.4.1,https://www.r-project.org)和Python(v3.8.8,https://www.python.org)进行。定量变量以均值±标准差或中位数伴四分位间距记录,并通过独立t检验或Mann–Whitney U检验进行比较。分类变量以频率及百分比记录,并通过χ²检验或Fisher检验进行比较。模型诊断性能使用AUC评估,通过Delong检验进行比较,最佳截断值通过最大化约登指数选择。受试者工作特征(ROC)曲线和列线图使用“pROC”和“rms”R包绘制。校准分别使用校准曲线和Hosmer-Lemeshow拟合优度检验评估,分别使用“rms”和“ResourceSelection”R包。SHAP分析使用Python的“shap”和“scikit-learn”包进行。生存分析使用Kaplan–Meier分析(“survival”和“survminer”R包)进行,预后性能使用C指数(“survival”包)评估。双尾p < 0.05被认为具有统计学意义。

结果

患者的临床-影像学特征

共纳入来自两个中心的625例患者(平均年龄59.32 ± 10.31岁;473例男性)。单因素分析确定了两种临床和十种影像学特征与VETC状态显著相关,包括病毒性肝炎、AFP、肿瘤大小、强化模式、廓清表现、包膜表现、坏死、瘤内动脉、延迟强化、卫星结节、瘤内出血和LI-RADS(p < 0.05;表1、表2)。未观察到多重共线性(VIF 1.02–1.35)。

表1 三组患者的临床特征 查看原表 ↗
表2 三组患者的影像学特征 查看原表 ↗

临床-影像学模型的性能

使用多因素logistic回归分析获得临床-影像学模型的四个独立预测因素,包括肿瘤大小、病毒性肝炎、无廓清和局灶性/大量坏死(表3)。该模型在内部测试集中的AUC为0.696(95% CI:0.608–0.775),在外部测试集中的AUC为0.678(95% CI:0.609–0.742)(表4)。

表3 训练集中两种模型的多因素logistic回归分析 查看原表 ↗
表4 四种预测模型在三组中的性能 查看原表 ↗

栖息地放射组学和深度学习模型的性能

各期表现最佳的栖息地影像组学和深度学习(DL)模型的性能见表S2。从HBP中选择了5个栖息地影像组学特征,从CP中选择了18个DL特征,用于构建最优栖息地影像组学模型和DL模型(表S3)。这些特征显示出较低的组内相关性(图S3)。最优栖息地影像组学模型在内部和外部测试集中的AUC分别为0.749(95% CI:0.664–0.822)和0.750(95% CI:0.684–0.808),而最优DL模型在内部和外部测试集中的AUC分别为0.709(95% CI:0.618–0.801)和0.748(95% CI:0.681–0.815)(表4)。所有掩模的平均DSC为0.92,表明空间重叠极佳。CAM热图显示,DL模型对富血供肿瘤区域表现出显著关注(图3d)。

深度学习影像组学列线图模型的构建与可视化

DLR列线图模型的7个独立预测因素如下:病毒性肝炎、无廓清、无包膜、坏死、AFP、栖息地影像组学评分和DL评分(表3)。未检测到多重共线性,VIF范围为1.06至2.10。该模型在内部测试集(AUC:0.715;95% CI:0.627–0.792)和外部测试集(AUC:0.752;95% CI:0.686–0.809)中取得了良好的性能,并在所有三个数据集中表现出相对较高的F1评分(表4)(图4)。校准曲线显示预测值与观测值之间具有良好的一致性,内部和外部测试集的Hosmer-Lemeshow p值分别为0.739和0.489(图5a、b)。各模型的详细特征选择步骤见补充表S4。

此外,SHAP分析显示栖息地影像组学评分和廓清表现是预测的前两位贡献因素(图6a、b)。SHAP力图中展示了一例组织学VETC − HCC患者的预测过程(图6c)。

图4 深度学习影像组学列线图。AFP,甲胎蛋白 查看原图 ↗
图5 DLR列线图模型在内部(a)和外部测试集(b)中的校准曲线。预测模型在内部(c)和外部测试集(d)中的ROC曲线。预测模型在内部(e)和外部测试集(f)中的决策曲线。DLR,深度学习影像组学;ROC,受试者工作特征 查看原图 ↗
图6 基于平均(|SHAP值|)对外部测试集中深度学习影像组学列线图模型的7个特征进行排序的特征重要性条形图(a)和图表(b)。特征重要性图表中的红色表示较高的值。SHAP力图(c)展示了一例组织学VETC − HCC患者的预测过程。蓝色表示该特征对预测具有负向影响(箭头向左,SHAP值降低),而红色表示该特征对预测具有正向影响(箭头向右,SHAP值升高)。颜色条的长度表示贡献的强度。基础值表示SHAP参考值,即模型基于训练集预测的均值。f(x)表示个体患者的SHAP值。通过Kaplan–Meier分析,根据列线图预测的VETC状态,训练集(d)、内部测试集(e)和外部测试集(f)的无复发生存曲线。SHAP,SHapley加法解释;VETC,包裹肿瘤簇的血管;HCC,肝细胞癌 查看原图 ↗

模型性能比较

DLR列线图模型在外测集中显著优于临床-影像学模型(AUC:0.752 vs 0.678;p = 0.004),在内测集中表现出可比性能(AUC:0.715 vs 0.696;p = 0.55)(表5)(图5c、d)。在内测集和外测集中,DLR列线图模型(AUC:0.715、0.752)与生境放射组学(AUC:0.749、0.750;p = 0.40、0.95)及DL模型(AUC:0.709、0.748;p = 0.91、0.86)相比显示出可比的AUC(表5)。然而,其在内测集和外测集中获得的F1分数(F1分数:0.672、0.706)高于生境放射组学(F1分数:0.667、0.361)和DL模型(F1分数:0.626、0.704)(表5)。决策曲线分析显示DLR列线图在广泛的阈值概率范围内提供了净获益。(图5e、f)。

表5 预测模型之间的性能比较 查看原表 ↗

RFS的Cox回归分析

截至2025年1月26日,596例(95%)患者被纳入RFS随访。其余29例患者(5%)从首次预定随访起即随机失访,被排除于生存队列之外。在三组中,VETC + HCC患者的RFS均差于VETC − HCC患者(所有p < 0.05)。在训练集(p = 0.04)、内测集(p = 0.01)和外测集(p = 0.008)中,列线图预测VETC + HCC患者的中位RFS分别为27.0(95% CI:17.3,不可评估(NE))、22.0(95% CI:16.0,NE)和24.1(95% CI:19.0,41.0)个月,列线图预测VETC − HCC患者的中位RFS分别为32.6(95% CI:25.0,NE)、NE(95% CI:27.0,NE)和48.2(95% CI:36.2,NE)个月(图6d–f)。

训练集与内测集之间的临床-影像学特征和预后无差异(表S5)。对于训练集,单因素Cox回归分析显示AST、GGT、AFP、肿瘤大小、肿瘤数目和DLR评分与RFS相关(表S6)。鉴于DLR评分与肿瘤大小之间存在中度相关性(ρ = 0.60),且DLR评分可能既捕捉了肿瘤大小所传达的预后信息,也捕捉了更细微的影像学特征,故排除肿瘤大小,未发现其他多重共线性(VIFs < 2)。多因素Cox分析确定AFP(风险比(HR),1.628 [95% CI:1.113–2.380];p = 0.012)和DLR评分(HR,1.279 [95% CI:1.051–1.557];p = 0.014)为独立预后因素(表S6)。预后模型在训练集、内测集和外测集中对RFS的C指数分别为0.672(95% CI:0.621–0.723)、0.679(95% CI:0.601–0.757)和0.642(95% CI:0.583–0.701)。

讨论

VETC是一种独特的组织学血管模式,已被确定为HCC微转移和不良预后的预测因子[9]。在本研究中,我们开发了一种用于术前预测HCC中VETC和RFS的DLR列线图模型,该模型可能有助于优化治疗决策和术后监测。对于预测为VETC+的患者,临床医生可考虑术后辅助策略,如经动脉化疗栓塞(TACE)或索拉非尼[10, 11],并在切除后采取强化的影像学监测。由预后模型生成的个体化RFS预测可能进一步促进个性化随访策略。然而,该预后模型仅表现出中等性能,因此应被视为临床实施的补充工具而非独立工具。这一局限性可能归因于Cox回归分析中纳入的变量有限,鉴于HCC预后本质上的多因素性质。

此外,结果显示DLR列线图模型在外部测试集中优于临床-影像学模型,而在内部测试集中表现出相当的性能。这可能是由于样本量有限,导致AUC出现微小波动,这些波动可能缺乏临床意义。此外,鉴于其最高的F1分数和相当的AUC,DLR列线图的主要优势在于其优越的分类平衡性和跨数据集的稳健性,突显了其实际价值,而非在AUC上明显优于生境放射组学和DL模型。SHAP分析为临床应用提供了一种可解释的DLR列线图模型。

既往研究确定高AFP水平、肿瘤大小> 5 cm和瘤内坏死为VETC的独立预测因子,这与我们的临床-影像学模型和DLR列线图模型一致[9, 28]。此外,病毒性肝炎、无包膜和无廓清也是两个模型中的独立预测因子。病毒性肝炎与更具侵袭性的HCC表型相关[22],而完整的肿瘤包膜提示更好的分化和预后[29],提示VETC与病毒性肝炎感染和无包膜相关。此外,血管生成激活是侵袭性VETC HCC的标志[30, 31]。随着肿瘤细胞增殖以及与现有血管网络距离增加,缺氧条件出现[32]。因此,新生血管形成和缺氧引起的纤维性间质增生可能间接导致延迟的对比剂滞留和无廓清[33]。

传统影像组学通过从整个肿瘤区域提取定量影像特征,已被广泛认为是预测VETC的有效工具[34]。然而,与栖息地影像组学相比,其在捕捉瘤内异质性方面存在局限性[12]。Yang等[35]将传统影像和影像组学特征与细胞外对比剂相结合来预测微血管侵犯和VETC。相比之下,我们的研究应用栖息地影像组学来勾画均匀亚区域,更好地表征肿瘤异质性。使用Gd-EOB-DTPA(一种肝胆特异性MRI对比剂)进一步实现了对肝细胞功能和HCC分化状态的评估,这可能解释了为什么最佳栖息地影像组学模型是基于从HBP提取的特征构建的。此外,最佳DL模型是使用CP特征构建的,可能是因为它们提供了更全面的信息[36]。

此外,我们开发了一个Swin Transformer模型来预测VETC。Chu等[37]使用3D卷积神经网络开发了一个DL模型,但受限于相对较小的样本量和缺乏验证队列。我们的研究纳入了更大的数据集并设有独立的外部测试集,确保了更好的可重复性。此外,Swin Transformer作为一种新兴的DL架构,通过自注意力机制和基于窗口的注意力机制捕捉全局和局部信息,进一步改进了特征提取,实现了灵活高效的特征提取[38]。

我们的研究存在若干局限性。第一,回顾性设计可能引入选择偏倚。第二,3D DL架构对数据规模和质量敏感,凸显了未来需要更大规模的多中心数据集。第三,仅整合了MRI图像和临床特征;未来研究将纳入多学科数据,如数字病理图像,以改进我们的模型。最后,未纳入总生存分析;未来需要开展包含全面预后生物标志物的前瞻性研究。

总之,整合所选临床-影像学特征与栖息地影像组学及DL评分的DLR列线图模型有助于预测HCC中的VETC并评估RFS风险。

补充信息

电子补充材料

引用

  1. Wang J, Cao L, Du H, et al. MRI-based habitat radiomics and deep learning for predicting vessels encapsulating tumor clusters and survival in hepatocellular carcinoma. Insights Imaging. 2025. PMID: 41428280. doi:10.1186/s13244-025-02167-3
  2. 全文:PMC12722593(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12722593/

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。