基于CEUS影像特征与LI-RADS分类的机器学习模型预测孤立性肝细胞癌术后早期复发

这篇研究通过整合对比增强超声（CEUS）影像特征与肝脏影像报告和数据系统（LI-RADS）分类，开发了梯度提升机（GBM）机器学习模型，用于预测肝细胞癌（HCC）患者术后早期复发。研究纳入279例患者数据，验证结果显示该模型在训练组和验证组的C指数分别达0.802和0.804，显著优于传统方法，为临床个体化随访策略提供了新工具。

　　

背景

肝细胞癌（HCC）作为原发性肝癌的主要类型，在全球范围内仍是癌症相关死亡的重要原因。尽管诊疗技术取得进展，根治性切除术后五年内复发率仍高达70%，凸显术后复发预测的重要性。对比增强超声（CEUS）联合肝脏影像报告和数据系统（LI-RADS）在恶性肿瘤风险评估中展现出独特价值，而机器学习（ML）技术为整合多维度数据提供了新思路。

材料与方法

研究回顾性分析2019年4月至2023年8月两家医疗中心的279例孤立性HCC手术患者。通过单因素Cox回归筛选出5个关键预测因子：微血管侵犯（MVI）、肿瘤大小、LI-RADS分类、肿瘤坏死和动脉期不均匀高增强。采用7:3比例随机划分训练集（196例）与验证集（83例），比较了随机生存森林（RSF）、梯度提升机（GBM）、CoxBoost和XGBoost四种算法性能。模型评估指标包括C指数、时间依赖性AUC、校准曲线和决策曲线分析（DCA）。

结果

GBM模型展现出最优预测性能，训练组和验证组的1年C指数分别为0.802和0.804，2年C指数为0.735和0.710。特征重要性分析显示LI-RADS分类、MVI和肿瘤大小构成三大关键预测因子。值得注意的是，LR-M类病变的复发风险显著增高（HR=1.97）。校准曲线显示预测概率与实际观察值高度吻合，而决策曲线证实模型在广泛阈值范围内具有临床适用性。通过中位风险值分层后，KM生存分析清晰区分高低风险组（训练组p<0.001，验证组p=0.003）。

讨论

相较于传统MRI影像研究，该研究创新性地将CEUS动态增强特征与机器学习相结合。特别值得关注的是，动脉期不均匀高增强模式（HR=1.91）与肿瘤坏死（HR=1.98）等影像学特征，反映了肿瘤生物学异质性，为无创评估提供了新视角。与既往研究相比，该模型在保持较高准确性的同时（AUC 0.820@1年），显著降低了检查成本。研究同时验证了LI-RADS分类系统的预后价值，其中LR-M病变可能提示更具侵袭性的肿瘤表型。

结论

整合CEUS-LI-RADS特征的GBM机器学习模型展现出优异的早期复发预测能力，其风险分层功能可为临床制定个体化监测方案提供客观依据。该研究为超声影像组学在肝癌预后评估中的应用开辟了新途径，未来需通过多中心前瞻性研究进一步验证模型的普适性。