钆塞酸增强MRI肿瘤边缘影像组学特征预测高危单发肝细胞癌侵袭性与预后
该回顾性多中心研究基于钆塞酸增强MRI肝胆期肿瘤边缘影像组学特征构建模型预测高危单发肝细胞癌的微血管侵犯,确定最佳边缘区域为外0毫米至内5毫米,训练、内部测试和外部测试队列的AUC分别为0.80、0.76和0.72,模型可有效分层总生存期和无病生存期(P均<.05),RNA测序提示细胞外基质重塑、转化生长因子-β信号通路和M2巨噬细胞浸润与高评分相关。
要点
- 最佳边缘区域为肝胆期图像上肿瘤外0毫米至内5毫米,该区域影像组学模型预测微血管侵犯的AUC在训练、内部测试和外部测试队列分别为0.80、0.76和0.72。
- 最佳边缘区域影像组学评分可将患者分为高危和低危组,两组总生存期和无病生存期差异有统计学意义(P均<.05)。
- 高危组瘤周低信号比例高于低危组(45/124[36%] vs 50/238[21%]),而不规则形态比例低于低危组(50/124[40%] vs 136/238[57%])。
核心结论
- 基于钆塞酸增强MRI肝胆期最佳边缘区域(外0毫米至内5毫米)的影像组学模型能有效捕捉肿瘤边缘异质性,预测高危单发肝细胞癌的微血管侵犯和预后。
- RNA测序显示高最佳边缘区域评分肿瘤中细胞外基质重塑、转化生长因子-β信号通路和M2巨噬细胞浸润增加。
研究设计与样本
- 回顾性研究,纳入2015年4月至2022年12月三家医疗中心的高危单发肝细胞癌患者436例(平均年龄57.7岁±8.8[标准差];男性352例),训练队列254例、内部测试队列108例、外部测试队列74例。
- 从钆塞酸增强MRI肝胆期肿瘤边缘121个感兴趣体积中提取影像组学特征,采用9种统计与机器学习方法组合构建并验证模型,以组织病理学评估微血管侵犯为参考标准。
- 另纳入2023年1月至2024年12月哈尔滨医科大学附属肿瘤医院63例高危单发肝细胞癌患者进行RNA测序,其中30例组成免疫组化队列,并纳入癌症基因组图谱368例肝细胞癌患者作为额外测试队列。
关键影像表现/征象
- 高危组瘤周低信号比例高于低危组(45/124[36%] vs 50/238[21%])。
- 高危组不规则形态比例低于低危组(50/124[40%] vs 136/238[57%])。
- 16例高危单发肝细胞癌多区域RNA测序显示,瘤周5毫米边缘较肿瘤核心免疫评分(0.06±0.10 vs 0.21±0.15,P=.003)、基质评分(0.08±0.07 vs 0.15±0.08,P=.014)和微环境评分(0.14±0.12 vs 0.35±0.15,P<.001)更高。
- 瘤周5毫米边缘较肿瘤核心PI3K-Akt信号通路(0.48±0.09 vs 0.57±0.06,P=.003)、T细胞受体信号通路(0.58±0.10 vs 0.74±0.07,P<.001)和B细胞受体信号通路(0.62±0.14 vs 0.87±0.08,P<.001)富集更高。
- EPIC分析显示瘤周5毫米边缘较肿瘤核心CD4+ T细胞(0.10±0.04 vs 0.17±0.04,P<.01)、CD8+ T细胞(0.04±0.02 vs 0.09±0.02,P<.001)和B细胞(0.02±0.02 vs 0.05±0.02,P<.001)比例更高。
诊断标准与关键数值
- 最佳边缘区域为肝胆期图像上肿瘤外0毫米至内5毫米,采用LASSO+逐步回归方法组合,在训练、内部测试和外部测试队列的AUC分别为0.80(95%CI:0.74,0.86)、0.76(95%CI:0.66,0.85)和0.72(95%CI:0.58,0.86)。
- 经错误发现率校正后,训练、内部测试和外部测试队列AUC分别为0.76(95%CI:0.70,0.83)、0.74(95%CI:0.64,0.84)和0.67(95%CI:0.53,0.81)。
- 训练队列中临床常用预测指标甲胎蛋白、肿瘤大小和组织学分级的AUC分别为0.58(95%CI:0.51,0.64)、0.63(95%CI:0.55,0.70)和0.60(95%CI:0.53,0.67)。
- 以训练队列最大约登指数确定最佳截断值,将患者分为最佳边缘区域高危组和低危组。
临床应用与阅片要点
- 在高危单发肝细胞癌患者中,可基于钆塞酸增强MRI肝胆期肿瘤边缘外0毫米至内5毫米区域提取影像组学特征,用于无创预测微血管侵犯并进行风险分层。
- 勾画边缘区域时需注意该区域可能包含非靶组织(如胆囊、空气和血管),本研究中10毫米外扩时427/436例(97.9%)患者扩展区域包含非靶组织,可能影响模型特征学习的稳定性。
局限性
- 由于MRI的局限性,最佳边缘区域在多数患者中常包含非靶组织(如胆囊、空气和血管),影响模型特征学习的稳定性;10毫米外扩时427/436例(97.9%)患者扩展区域包含非靶组织。
全文中译21 节 · 点击展开
摘要
基于钆塞酸二钠增强MRI的影像组学模型捕捉肿瘤边缘异质性,用于预测高危单发肝细胞癌的微血管侵犯和预后,并在多个队列中表现出强劲性能,同时获得RNA测序和组织病理学分析的生物学支持。
要点
■ 一种新的肿瘤边缘区域(肝胆期图像上外侧0 mm、内侧5 mm)被确定为预测高危单发肝细胞癌(HR-sHCC)微血管侵犯的最佳边缘区域,在训练队列、内部测试队列和外部测试队列中,受试者工作特征曲线下面积分别达到0.80、0.76和0.72。
■ 基于最佳边缘区域的影像组学评分有效将HR-sHCC患者分为高危组和低危组,两组的总体生存期和无病生存期均有显著差异(均P < .05);高危组表现出更多的瘤周低信号(124例中45例[36%] vs 238例中50例[21%])和不规则形态(124例中50例[40%] vs 238例中136例[57%])。
■ 生物学分析显示,最佳边缘区域中OATP1B3低表达(P < .05)和细胞外基质富集(P < .05)与肿瘤侵袭性相关,并伴有M2巨噬细胞浸润增加(P = .012)和转化生长因子-β通路激活。
引言
肝细胞癌(HCC)是全球最常见且致命的恶性肿瘤之一(1)。根据IMbrave050试验,高危复发定义为单发肿瘤大小 > 2 cm(高危单发HCC [HR-sHCC])或存在多发肿瘤(2)。对于HR-sHCC患者,手术通常是首选治疗。然而,由于肿瘤的高度异质性,其生物学行为和侵袭性差异很大,直接影响疾病预后(3)。微血管侵犯(MVI)是HCC侵袭性生物学行为的关键标志,其发生受多种因素影响,如肿瘤细胞的高增殖活性和免疫抑制性肿瘤微环境(4,5)。这些因素共同增加了HCC的侵袭性,加速局部复发,并显著增加术后远处转移风险,最终影响患者结局(6)。因此,对于HR-sHCC患者,准确评估肿瘤异质性对于风险分层和优化个体化治疗策略至关重要,这对于提高长期生存率必不可少。
肿瘤边缘区域代表正常细胞转变为癌细胞的过渡带,是肿瘤最具侵袭活性的部分(7)。既往研究表明,肿瘤边缘的特征,如免疫细胞浸润、免疫屏障和组织硬度,与HCC生物学行为的差异密切相关。然而,检测这些特征通常需要侵入性操作,如手术或活检(8–10)。因此,开发无创且准确的方法来评估这些肿瘤边缘特征已成为一个关键研究方向。
在中国,肿瘤的影像学检查几乎普及,这些检查不仅无创,而且在预测肿瘤侵袭性和疾病预后方面显示出巨大潜力(11,12)。肝细胞癌(HCC)肿瘤边缘的影像学特征,如晕环征、包膜不完整和影像组学特征,已被证明与肿瘤侵袭性和预后密切相关(13,14)。然而,由于缺乏明确的生物学解释,这些影像学发现尚未在临床实践中产生实质性影响。
与传统的钆基对比剂相比,钆塞酸二钠(钆乙氧基苄基-二乙烯三胺五乙酸,即Gd-EOB-DTPA)是一种分子靶向对比剂,特异性结合于肝细胞表面的有机阴离子转运多肽(OATP)受体(15,16)。这种结合表明,Gd-EOB-DTPA(EOB)增强MRI不仅可以改善病灶检出和边界勾画,还能同时评估肝功能并提供对潜在分子机制的直接洞察,从而为诊断和治疗提供新机遇。
本研究旨在基于EOB MRI上高复发风险小肝癌(HR-sHCC)肿瘤边缘的影像组学特征,开发一种新的微血管侵犯(MVI)预测模型,确定用于MVI预测的最佳边缘区域,并阐明这些特征背后的生物学机制。
材料与方法
研究队列
本回顾性研究纳入了2015年4月至2022年12月期间在中国三家医疗中心连续接受术前EOB MRI扫描(对比剂注射后20分钟)的HCC患者。纳入标准为:(a) 术前2周内进行肝脏EOB MRI检查,(b) 经组织病理学确诊为单发HCC,(c) 术前未接受治疗。排除标准如下:(a) 图像质量不佳,(b) 肿瘤直径小于2 cm,(c) 临床或病理信息不完整,(d) 有恶性肿瘤病史,(e) MRI显示存在大体血管侵犯证据。
来自哈尔滨医科大学附属肿瘤医院的患者被随机分配至训练队列(254例)和内部测试队列(108例)。外部测试队列由来自河南省肿瘤医院和山东省肿瘤医院中心的74例患者组成。2023年1月至2024年12月期间,63例符合相同标准的哈尔滨医科大学附属肿瘤医院HR-sHCC患者纳入RNA测序队列;其中30例组成免疫组织化学队列。癌症基因组图谱(TCGA)中368例HCC患者的遗传数据作为额外测试队列。对16份HR-sHCC组织样本进行了多区域RNA测序以进行肿瘤特异性分析。本研究经所有中心伦理委员会批准;由于研究的回顾性设计,免除知情同意。所有影像组学、最佳边缘区域选择以及RNA测序/免疫组织化学分析均为创新性研究。
临床结局与随访
主要研究终点是基于EOB MRI的影像组学模型预测MVI的诊断性能,以组织病理学评估作为参考标准。次要终点为总生存期和无病生存期,采用Kaplan–Meier分析和log-rank检验进行评估。在无复发的情况下,死亡日期或末次随访日期被视为研究终点。治疗后每3至6个月进行常规随访,直至患者死亡。对于失访患者,末次随访时间定义为已知其处于观察状态的最后时间点。
MRI采集与分割
我们收集了手术前2周内进行的检查中的肝胆期MRI序列,使用EOB(Primovist/Eovist;Bayer)作为对比剂。所有中心的MRI检查详细信息见表S1。我们使用3D Slicer软件(版本5.6.1;www.slicer.org,Brigham and Women's Hospital)分割病灶并确定其边界,创建原始病灶感兴趣体积(VOIs)。随后我们使用Python中的SimpleITK包(版本3.8.19;Python Software Foundation)修改肿瘤边界,在0–10 mm范围内应用向内腐蚀和向外膨胀,共产生120个边界区域(如图S1所示)(17)。结合原始病灶VOI,每位患者的病灶共包含121个VOIs。我们使用SciPy包对所有图像进行重采样。两名经验丰富的放射肿瘤学家(C.Y.,具有6年经验;X.W.,具有8年经验)独立勾画原始病灶VOIs。他们的勾画结果分别由一名资深放射肿瘤学家(Y.Z.,>15年经验)审核和验证,以评估阅片者内和阅片者间一致性。我们通过测定组内相关系数定量评估原始病灶VOI分割的一致性,确保分割过程具有高可重复性和准确性。
影像组学特征工程
我们使用Python中的pyradiomics包从每位患者的121个区域中提取影像组学特征。我们除形状特征外,从原始图像和滤波后图像中计算了所有特征。总计,我们从每个VOI中提取了2060个影像组学特征。从每个VOI中,我们仅保留组内相关系数大于0.75的特征用于后续分析。
机器学习签名构建
我们使用了九种统计与机器学习方法组合进行特征选择:(a)相关性分析 + 最小绝对收缩和选择算子(LASSO);(b)逻辑回归 + LASSO;(c)相关性分析 + LASSO + 逐步法;(d)逻辑回归 + LASSO + 逐步法;(e)极端梯度提升(即 XGBoost)+ LASSO + 逐步法;(f)随机森林 + LASSO + 逐步法;(g)梯度提升机 + LASSO + 逐步法;(h)支持向量机 + LASSO + 逐步法;(i)LASSO + 逐步法。各方法的具体定义详见表S2。我们为训练队列生成了多种影像组学特征组合,采用10折交叉验证评估每种方法,并基于这些特征集计算了每个区域的受试者工作特征曲线下面积(AUC)值。我们通过对内部测试队列的AUC值进行排序来确定最优方法组合和最优切缘区域,并在内部测试队列中对最佳切缘区域的模型进行了验证。我们在训练队列内完成了特征选择、模型构建和最优切缘区域识别。我们采用基于所选特征的逻辑回归方法进行建模。我们根据训练队列中最大约登指数得出的最佳截断值,将患者分为最优切缘区域高风险组和低风险组。
探索生物学功能
HR-sHCC组织样本取自2023年1月至2024年12月期间在哈尔滨医科大学附属肿瘤医院接受肝切除术的63例患者,我们对这些样本进行了RNA测序。我们根据训练队列中确定的最佳截断值,将RNA测序队列中的患者分为最优切缘区域高风险组和低风险组。我们使用DESeq2软件包进行差异基因表达分析(|log2倍数变化| > 1且P < .05的基因被认为是差异表达的),随后通过京都基因与基因组百科全书(KEGG)进行通路富集分析,通过基因本体论进行基因水平的功能富集分析,并使用xCell(https://comphealth.ucsf.edu/app/xcell)进行免疫细胞浸润分析,以探索这些组的生物学功能(18–20)。生物学功能结果用TCGA中368例HCC患者的数据进行了验证。16例HR-sHCC患者的多区域RNA测序捕捉了空间异质性。肿瘤微环境评分(ImmuneScore、StromaScore、MicroenvironmentScore)使用xCell计算;单样本基因集富集分析(即ssGSEA)评估KEGG通路富集;EPIC估计肿瘤微环境浸润细胞的组成(21–23)。
实验室免疫组织化学与染色
我们从RNA测序队列中选取的30例患者中获取了高危型sHCC组织标本。我们通过免疫组织化学和组织染色确认了富集结果(24)。我们对术后获得的肿瘤边缘组织切片进行了OATP1B3免疫组织化学染色和Masson三色染色(货号G1346;Solarbio)以及天狼星红染色(货号BL1194B;Biosharp)(25,26)。我们按照制造商的说明对石蜡切片进行OATP1B3免疫组织化学染色(货号66381-1-Ig;Proteintech)。为确定各区域染色面积的百分比,我们使用ImageJ软件(版本1.54;美国国立卫生研究院)中的颜色分割功能来识别和量化不同结构的染色。我们比较了不同组间各区域染色面积的百分比,然后对这些百分比进行了分布分析和组间比较。
统计分析
连续变量以均值±标准差表示,分类变量以频数和百分比表示。我们采用Kaplan–Meier法结合对数秩检验进行生存和复发风险分析。我们在训练队列和内部测试队列中计算并比较了源自不同肿瘤边缘区域的影像组学模型的AUC,并使用ci.auc函数计算95%置信区间。我们使用SHapley Additive exPlanation展示每个影像组学特征的贡献(27)。我们酌情使用χ2检验或Fisher精确检验计算P值,以比较最佳边缘区域低风险组和高风险组之间的分类变量。我们将P值小于.05视为具有统计学显著性。我们使用Python(版本3.8.19)进行图像分割和影像组学特征提取,并使用R软件(版本4.3.1)和GraphPad Prism(版本8.0.2;GraphPad Software)完成所有统计分析和图表生成。训练队列包括254例患者,内部测试队列包括108例患者,按7:3比例随机分配。基于事件数量和既往类似的MVI预测影像组学研究,该样本量被认为是充分的,为模型开发和评估提供了足够的效能。所有分析均由两位在生物统计学领域分别拥有超过6年(Y.L.)和10年(Q.Z.)经验的作者完成。
结果
患者特征
2015年4月至2022年12月期间,来自三个中心的735例连续肝细胞癌(HCC)患者中,37例因图像质量不佳被排除,73例因肿瘤直径<2 cm被排除,125例因临床或病理信息不完整被排除,36例因恶性肿瘤病史被排除,28例因MRI示大血管侵犯被排除,最终436例患者(平均年龄57.7岁±8.8[SD];男352例,女84例)纳入分析。训练队列、内部测试队列和外部测试队列中微血管侵犯(MVI)患者数分别为76例、39例和24例。末次随访时,训练队列、内部测试队列和外部测试队列分别有57例、27例和20例死亡,存活患者的中位随访时间为27.1个月(IQR,18.4–49.5个月),分别有95例、42例和14例患者观察到肿瘤复发事件,未复发患者的中位随访时间为24.6个月(IQR,13.0–46.0个月)。三个队列中失访患者数分别为57例、13例和16例。详细基线临床特征见表1。
2023年1月至2024年12月期间,哈尔滨医科大学附属肿瘤医院另有117例HR-sHCC患者接受RNA测序评估。排除图像质量不佳9例、肿瘤直径<2 cm 7例、临床或病理信息不完整20例、恶性肿瘤病史11例、MRI示大血管侵犯7例后,剩余63例患者,其中30例纳入免疫组织化学队列。TCGA队列另纳入368例患者(图1)。
确定最佳边缘区域
我们证实了MVI作为预测性临床终点的有效性。对于总生存期,MVI阳性患者的中位总生存期为53.1个月(IQR,48.1个月至未达到),而MVI阴性患者为未达到(IQR,76.6个月至未达到)(log-rank P < .001)。对于无病生存期,MVI阳性患者的中位无病生存期为18.5个月(IQR,11.8–39.6个月),而MVI阴性患者为未达到(IQR,未达到至未达到)(log-rank P < .001)(图2A)。在训练队列中,我们使用九种不同方法从121个VOI中选择特征,产生9 × 121个模型。我们生成了训练队列和内部测试队列的AUC值,并根据内部测试队列中最高的AUC值确定了最优方法组合和最优边缘区域。根据内部测试队列中的最大AUC值,我们确定最优方法组合为LASSO + 逐步法。在训练队列中执行10折交叉验证后,我们确定相应的最优边缘区域为外侧0–mm、内侧5–mm区域,其在训练队列、内部测试队列和外部测试队列中分别达到AUC值0.80(95% CI:0.74,0.86)、0.76(95% CI:0.66,0.85)和0.72(95% CI:0.58,0.86)(图2B、2C)。应用错误发现率校正后,训练队列、内部测试队列和外部测试队列中的AUC分别为0.76(95% CI:0.70,0.83)、0.74(95% CI:0.64,0.84)和0.67(95% CI:0.53,0.81)。作为比较,临床已建立的预测因子α-甲胎蛋白、肿瘤大小和组织学分级在训练队列中分别达到AUC值0.58(95% CI:0.51,0.64)、0.63(95% CI:0.55,0.70)和0.60(95% CI:0.53,0.67)(表S3)。此外,在由LASSO + 逐步法生成的121个内部训练队列模型中,九个外侧0–mm区域中有六个位于AUC值最高的前八个区域之列,表明外侧0–mm区域具有高AUC值的可能性很高,而我们在外侧1–10–mm区域中未观察到这一模式(图S2)。详细的性能指标见表S4。
HR-sHCC的空间异质性
为进一步探究所选最佳切缘区域的生物学基础及其与肿瘤侵袭性的相关性,我们对16例高危单发肝细胞癌(HR-sHCC)患者的组织样本进行了转录组测序分析。我们采集了三个不同区域的组织样本:肿瘤核心、肿瘤瘤内5 mm切缘和肿瘤瘤周5 mm切缘。尽管肿瘤瘤内切缘的各项指标升高未达到统计学显著性(均P > .05),但所有指标均呈现一致上升趋势,且在肿瘤瘤周切缘中更为明显。
对于xCell得出的肿瘤微环境相关评分,与肿瘤核心相比,肿瘤瘤周切缘表现出更高的免疫评分(0.06 ± 0.10 vs 0.21 ± 0.15,P = .003)、基质评分(0.08 ± 0.07 vs 0.15 ± 0.08,P = .014)和微环境评分(0.14 ± 0.12 vs 0.35 ± 0.15,P < .001)。与肿瘤核心相比,肿瘤瘤周切缘显示磷脂酰肌醇3-激酶(PI3K)-Akt信号通路(0.48 ± 0.09 vs 0.57 ± 0.06,P = .003)、T细胞受体信号通路(0.58 ± 0.10 vs 0.74 ± 0.07,P < .001)和B细胞受体信号通路(0.62 ± 0.14 vs 0.87 ± 0.08,P < .001)的富集程度更高。同样,基于EPIC的细胞定量显示,与肿瘤核心相比,肿瘤瘤周切缘中CD4+ T细胞(0.10 ± 0.04 vs 0.17 ± 0.04,P < .01)、CD8+ T细胞(0.04 ± 0.02 vs 0.09 ± 0.02,P < .001)和B细胞(0.02 ± 0.02 vs 0.05 ± 0.02,P < .001)比例更高(图3)。
MRI上的肿瘤切缘外侧区域
根据HR-sHCC的空间异质性结果,肿瘤切缘内外的区域可能更适合预测MVI;然而,在我们的研究中,我们将最佳切缘区域定义为外侧0 mm、内侧5 mm区域。由于MRI的局限性,该区域在大多数患者中常包含非靶组织(如胆囊、气体和血管),这影响了模型特征学习的稳定性(图S3)。在向外扩展10 mm的条件下,436例患者中有427例(97.9%)的扩展区域包含非靶组织。更多细节见表2。
最佳切缘区域的影像组学特征
采用组内相关系数评估感兴趣体积(VOI)勾画的阅片者内和阅片者间一致性。选定的七个影像组学特征为 logarithm_firstorder_Minimum、logarithm_glcm_Imc1、original_shape_Elongation、wavelet_LHL_glcm_MCC、wavelet_HLH_ngtdm_Busyness、log_sigma_3_0_mm_3D_glcm_ClusterShade 和 wavelet_HHH_glcm_JointEntropy。其中,original_shape_Elongation 与肿瘤形态相关,而其他特征反映肿瘤边缘的信号特征。七个特征的组内相关系数详见表 S5。所有七个特征的组内相关系数均 > 0.75,表明其稳健性可用于进一步分析。我们计算了 SHapley Additive exPlanation 值,以确定每个特征在最优影像组学模型中的预测作用(图 S4)。
患者分层与有效性
我们将最优边缘区域的影像组学特征合并为影像组学评分,并基于最大约登指数将患者分为最优边缘区域高危组和低危组。其他阈值的性能详见表 S6。我们观察到,在训练队列、内部测试队列和外部测试队列中,两组患者的总生存期和无病生存期曲线均存在显著分离(图 4,所有 P < .05)。为进一步验证基于影像组学分层的基本原理,我们比较了哈尔滨医科大学附属肿瘤医院中心最优边缘区域高危患者(n = 238)和低危患者(n = 124)之间肿瘤边缘的影像学特征。结果详见表 3,显示瘤周低信号和肿瘤形态在组间存在显著差异(P < .05)。具体而言,最优边缘区域高危组中瘤周低信号患者的比例更高(124 例中 45 例,36%),而最优边缘区域低危组为(238 例中 50 例,21%);同时,最优边缘区域低危组中肿瘤形态更规则的患者比例更高(238 例中 136 例,57%),而最优边缘区域高危组为(124 例中 50 例,40%)。各影像学特征的具体定义详见表 S7。
与最优边缘区域模型相关的生物学功能
我们对63例患者的组织进行了RNA测序(RNA-seq队列),并根据模型对患者进行分组,结果分别有16例和47例患者被分层至最佳切缘区域高风险组和低风险组。我们鉴定了515个差异表达基因,包括139个上调基因(图5A)。差异表达基因的KEGG分析显示细胞外基质(ECM)受体(P = .020)、转化生长因子(TGF)-β信号通路(P = .032)及其他通路富集(图5B)。上调基因的基因本体分析显示富集于通过质膜黏附分子介导的同型细胞黏附(P < .001)和TGF-β受体结合(P < .001),与富集功能相关(图5C)。与最佳切缘区域高风险组相比,免疫评分表明低风险组中富集了更多免疫细胞,其中CD8+ T细胞(P = .027)和B细胞(P = .015)差异显著。然而,M2巨噬细胞(P = .012)在高风险组中更为丰富(图5E)。我们对237种常用抗癌药物敏感性的探索发现,最佳切缘区域高风险组和低风险组对三种药物的敏感性存在显著差异(P < .05)。值得注意的是,高风险组对MBS754807和linsitinib表现出更高的敏感性,而低风险组对tanespimycin(17-N-烯丙基氨基-17-去甲氧基格尔德霉素,即17-AAG)表现出更高的敏感性(图S5)。
OATP1B3表达与最佳切缘区域的关联
OATP1B3是肝脏特异性对比剂的靶蛋白,因此对其研究具有重要意义。编码OATP1B3的基因是SLCO1B3。对我们测序数据的差异分析表明,SLCO1B3表达总体下调,而SIX2、MYCN、SLC29A4、ENTPD3和MAFA(权重最高的五个上调基因)在我们最优切缘区域高危患者组中上调(图5A)。为进一步验证SLCO1B3表达与患者风险分层之间的关系,我们选择权重最高的五个上调基因作为一个基因集,并使用该基因集将其表达与TCGA队列的RNA数据进行比较。我们发现,在TCGA队列中,SLCO1B3表达也与该基因集的表达呈负相关,P < .05(图5D)。我们进一步通过根据SLCO1B3平均表达水平对TCGA队列进行分组,并使用其每千碱基转录本每百万映射读数片段数(即FPKM)数据来探索OATP1B3表达,然后进行差异分析和KEGG聚类,结果也显示ECM-受体相互作用通路富集(图6A)。为评估基因集和SLCO1B3表达的预后预测能力,我们对TCGA队列患者的总生存期和无病生存期进行了log-rank检验。对于总生存期,高基因集表达组的中位总生存期为37.8个月(IQR,22.9个月至未达到),而低基因集表达组为70.5个月(IQR,54.1个月至未达到)(log-rank P = .005)。对于无病生存期,高基因集表达组的中位无病生存期为20.9个月(IQR,15.0–40.4个月),而低基因集表达组为35.6个月(IQR,24.8个月至未达到)(log-rank P = .017)。(图6B)。
伪彩、免疫组织化学和组织染色
我们的结果表明,RNA-seq队列中的最优切缘区域高危组和TCGA队列中的SLCO1B3低表达组均富集ECM-受体相互作用通路。为验证该模型预测ECM的可靠性,我们进一步使用该模型对我们机构的30例HR-sHCC患者(14例最优切缘区域高危)进行分层(免疫组织化学队列)。展示了2例患者的代表性影像,并在肝胆期进行伪彩可视化。低风险患者显示出更强烈的显色,可能提示最优切缘区域对比剂摄取更多以及OATP1B3表达更高(图7A)。
免疫组织化学和定量分析显示,最优切缘区域高危组肿瘤中有更多胶原纤维浸润和更低的OATP1B3表达,而最优切缘区域低危组肿瘤的切缘较最优切缘区域高危组胶原纤维更少且OATP1B3表达更高(图7B)。
讨论
MVI是肝细胞癌(HCC)患者术后肿瘤复发的关键危险因素,肿瘤边缘被确定为与MVI发生密切相关的原发侵袭部位(28,29)。在本研究中,我们首次确定了最佳边缘区域,并开发了一个用于预测高危小肝细胞癌(HR-sHCC)MVI的稳定放射组学模型。该模型表现出稳健的性能(训练队列、内部测试队列和外部测试队列的AUC分别为0.80、0.76和0.72)。最佳边缘区域高危患者显示五基因集(SIX2、MYCN、SLC29A4、ENTPD3和MAFA)上调,与较短的总生存期(37.8 vs 70.5个月,P = .005)和无病生存期(20.9 vs 35.6个月,P = .017)相关,而SLCO1B3高表达与更好的结局相关(总生存期:81.9 vs 52.0个月,P = .024;无病生存期:42.3 vs 21.6个月,P = .029)。免疫组织化学结果证实,高危肿瘤具有较低的OATP1B3表达和较高的细胞外基质(ECM)沉积。这些结果表明,最佳边缘区域放射组学模型能够稳健地预测生存差异,并反映潜在的生物学异质性。在临床上,勾画最佳边缘区域为评估肿瘤-肝脏界面的侵袭潜能提供了精确的兴趣区域。这一无创模型可进一步协助术前识别MVI高危患者,从而实现更精确的手术和治疗规划。对于低危患者,该模型可能有助于避免过度激进的治疗,从而保护肝功能并改善术后生活质量。
尽管已有大量研究尝试利用多期CT(30,31)、多参数MRI(32–34),甚至整合临床与影像数据的跨模态策略(33–35)来术前预测HCC的MVI,但大多数研究并未系统评估肿瘤边缘区域的潜在价值及其内在机制。Wang等(11)通过从肿瘤边界向外扩展5、10和15 mm来定义瘤周区域,但此类设置缺乏理论支持。通过我们的研究,我们创新性地提出了一种基于EOB MRI的最优边缘区域选择策略,系统量化了肿瘤边界内外0至10 mm范围内的影像组学特征。最终,外侧0 mm、内侧5 mm区域被确定为MVI预测的最优边缘区域。与既往主要依赖瘤内特征或人工定义瘤周边界的已发表模型——其报道的AUC通常范围为0.74至0.80——相比,我们基于最优边缘区域的影像组学模型取得了相对良好的性能,在内部测试队列和外部测试队列中的AUC分别为0.76和0.72(36,37)。得益于EOB的生物学特性,基于最优边缘区域的影像组学模型与传统模型相比具有更高的生物学可解释性。此外,与常规临床指标如甲胎蛋白(AUC = 0.58)、肿瘤大小(AUC = 0.63)和Edmondson分级(AUC = 0.60)进行基准比较时,最优边缘区域模型显示出更高的判别能力。
对于HR-sHCC患者,单纯使用固定宽度的瘤周区域进行特征提取可能忽略周围解剖结构的个体间差异,从而限制模型的稳健性和可解释性。我们的研究还在实证层面深化并回应了Liu等(29)先前的假设,即肿瘤周围的血管和胆管可能增加区域异质性并影响模型性能。因此,所提出的区域选择策略具有更高的可操作性,并为MVI预测研究提供了新的见解和方法学途径。
在最优边缘区域模型筛选出的影像组学特征中,一个特征与肿瘤形态相关,其余六个为纹理相关特征,捕捉了边缘区域信号强度和异质性的空间变化。这一发现与两组间观察到的肿瘤边缘影像学特征差异一致,具体表现为瘤周低信号和肿瘤形态方面的差异。我们团队既往研究表明,形态越不规则、越不呈球形的肿瘤与更差预后相关(14,38),这与我们当前的发现相呼应。本研究进一步揭示,最优边缘区域内肿瘤形态和纹理特征的异质性代表了导致HCC侵袭性的另一重要因素,使其潜在的组织病理学复杂性可视化(39)。这种异质性已被证明与不良临床结局相关(40,41)。所有这些结果突出表明,边缘影像学特征是MVI的重要指标。EOB MRI的肝胆期图像改善了肿瘤边界的可视化,可能通过EOB的主要结合蛋白OATP1B3影响信号(42)。已知HCC边缘包含正常肝细胞和癌相关细胞的过渡带。在我们的RNA测序分析中,高风险最优边缘区域组表现出SLCO1B3低表达,提示正常肝细胞滞留减少,这与更差的预后相关,并与肿瘤组织中免疫组化OATP1B3表达结果一致。综上所述,将形态学和基于纹理的影像组学特征与分子证据(如OATP1B3表达)相结合,增强了最优边缘区域模型的生物学可解释性,并表明影像衍生的异质性确实反映了侵袭前沿的潜在肿瘤生物学。这些发现强化了我们影像组学特征的生物学相关性。
根据差异分析结果,SIX2、MYCN、SLC29A4、ENTPD3和MAFA是我们高危组中表达最高的五个基因(43–47)。既往研究结果表明,这些基因可能与肿瘤进展或肿瘤微环境调控相关。利用该基因集,我们对TCGA队列中患者的结局和复发进行了分层分析,该基因集的高表达与患者较差的结局相关。富集分析进一步表明,最佳边缘区域高危组显示参与TGF-β、ECM和PI3K-Akt等信号通路的蛋白表达升高。这些分子和通路的共表达提示它们在HR-sHCC的进展和侵袭中具有潜在的协同作用,这与既往研究结果一致(48,49)。MVI与肿瘤边缘区域的肿瘤微环境之间存在密切关系(50,51)。我们的最佳边缘区域模型分层结果显示,在高危患者和OATP1B3低表达患者的最佳边缘区域中,ECM相关蛋白显著表达。通过免疫组织化学和组织染色的进一步验证证实了该区域中ECM蛋白的表达水平。既往研究表明,M2巨噬细胞通过分泌TGF-β促进ECM重塑,形成阻止免疫细胞浸润肿瘤的免疫屏障(52)。该过程增加肿瘤侵袭性并导致较差疾病预后。在我们的研究中,我们观察到高危患者在最佳边缘区域内表现出更多的ECM、TGF-β和M2巨噬细胞存在,而免疫细胞浸润明显低于低危患者。该发现为ECM相关免疫屏障在MVI发生中的作用提供了新见解,提示它们可能为肿瘤进展创造更有利的微环境。
我们的研究存在若干局限性。第一,其回顾性设计可能引入选择偏倚并限制普适性。第二,最佳边缘区域是以数据驱动方式确定的,尽管对最终最佳边缘区域模型应用了错误发现率校正,但对121个候选区域的初始评估缺乏多重检验校正,可能增加过拟合风险。第三,相对较小的外部测试队列和中心间成像方案差异可能导致特征异质性并影响模型稳健性。第四,分析仅聚焦于EOB MRI的肝胆期,未与其他MRI期或CT进行直接比较,且未纳入深度学习方法或已建立的临床预测因素(如α-甲胎蛋白水平、肿瘤大小、组织学分级)。最后,影像组学特征的生物学解释仍属推测,需要进一步的实验验证。
总之,通过应用多种机器学习方法,我们成功识别出在肝胆期图像上标记为外0 mm、内5 mm的肿瘤边缘区域为最佳边缘区域,该关键区域与HR-sHCC的侵袭性和预后相关。然而,对于HR-sHCC,应用固定且统一的边缘区域进行影像组学特征提取可能并非理想或标准化的方法。基于这一发现,我们开发了首个能够准确预测HR-sHCC患者MVI的多中心影像组学模型。对该模型的生物学解读揭示,最佳边缘区域内OATP1B3(一种EOB MRI特异性蛋白)的表达以及ECM成分可作为评估HR-sHCC侵袭性和预后的新型生物标志物。从最佳边缘区域提取的影像组学特征反映了肿瘤微环境,高风险组与M2巨噬细胞浸润、TGF-β信号通路激活以及ECM-受体相互作用呈强相关性。该模型能够对HR-sHCC患者进行有效分层,并为个性化治疗策略提供了有价值的基础。
补充文件
引用
- Yu C, Wang X, Tang S, et al. Gadoxetic Acid-enhanced MRI Radiomics Features of Tumor Margins for Predicting High-Risk Solitary Hepatocellular Carcinoma Aggressiveness and Prognosis. Radiol Imaging Cancer. 2026. PMID: 41575341. doi:10.1148/rycan.250220
- 全文:PMC12862467(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12862467/
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。