基于钆塞酸二钠增强MRI的可解释机器学习模型评估小肝癌（≤2 cm）
Development and Validation of an Interpretable Machine Learning Model Based on Gd-EOB-DTPA-enhanced MRI for Evaluating Small HCC (≤2 cm): A Multicenter Cohort Study.
PubMed 文献 · Acad Radiol · 2026-10-06
本多中心回顾性研究纳入296个肝脏病灶，开发并验证融合钆塞酸二钠MRI影像组学、定性MRI特征和临床数据的机器学习模型，用于鉴别小肝癌（≤2 cm）与良性病灶。融合模型在内部测试集AUC为0.913，外部验证集AUC为0.824，表现与资深放射科医师相当，优于初级医师。SHAP分析显示HBV状态、AFP及肝胆期影像组学特征为关键预测因子。
要点
- 钆塞酸二钠MRI肝胆期衍生的影像组学特征是鉴别小肝癌的关键影像学预测因子
- 融合临床数据（HBV、AFP）与影像组学的模型诊断效能（AUC=0.824）显著优于单纯影像组学模型（AUC=0.791）
- 该融合模型在外部验证中表现与资深放射科医师相当，可作为诊断小肝癌的辅助工具
核心结论
- 融合钆塞酸二钠MRI影像组学、定性MRI特征和临床数据的可解释机器学习模型对鉴别小肝癌（≤2 cm）具有稳健的诊断效能
- 融合模型在内部测试集AUC为0.913，外部验证集AUC为0.824，经ComBat协调消除扫描仪差异后AUC为0.806
- 融合模型表现与资深放射科医师相当，数值上优于初级放射科医师，但因外部样本量有限未达统计学显著性
- SHAP分析显示HBV感染状态、甲胎蛋白水平及肝胆期衍生的特定影像组学特征是关键预测因子
研究设计与样本
- 多中心回顾性队列研究，纳入296个病灶（中心A：209个[146训练集，63内部测试集]；中心B+C：87个外部验证集）
- 采用钆塞酸二钠增强MRI检查，提取影像组学特征、定性MRI特征和临床数据三类特征
- 在训练集内使用嵌套交叉验证进行多步特征选择和模型调优以防止数据泄漏，比较7种机器学习算法
- 在外部验证集中进行读片者研究，比较融合模型与放射科医师的诊断效能，使用SHAP方法解释最优模型
诊断标准与关键数值
- 融合模型在内部测试集的AUC为0.913，优于单纯影像组学模型的AUC 0.791
- 融合模型在外部验证集的AUC为0.824，经ComBat协调后AUC为0.806
临床应用与阅片要点
- 评估小肝癌（≤2 cm）时应综合钆塞酸二钠MRI肝胆期影像组学特征、定性MRI征象及临床数据（HBV、AFP）
- 该融合模型可作为无创诊断工具辅助鉴别小肝癌与良性肝脏病灶，未来可进行动态阈值优化
- 模型对初级放射科医师有潜在辅助价值，可提高小肝癌的诊断准确性
局限性
- 外部验证样本量有限（87个病灶），融合模型相对于单纯影像组学模型和初级医师的数值优势未达统计学显著性
- 研究为回顾性多中心设计，存在扫描仪间差异需要通过ComBat协调方法处理
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Yang, Zeng, Lv, et al. Development and Validation of an Interpretable Machine Learning Model Based on Gd-EOB-DTPA-enhanced MRI for Evaluating Small HCC (≤2 cm): A Multicenter Cohort Study. Acad Radiol. 2026. PMID: 42838878. doi:10.1016/j.acra.2026.09.031
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。