基于多b值扩散加权成像的放射组学方法，用于评估原位肝癌（HCC）裸鼠模型中的血管生成和异质性

《Journal of Renewable Materials》：Radiomics based on multi- b-value diffusion-weighted imaging for evaluating angiogenesis and heterogeneity in orthotopic HCC nude mouse models

本研究通过构建基于多b值扩散加权成像（DWI）的放射学模型，评估肝细胞癌（HCC） xenograft 小鼠模型的血管生成（MVD）和空间异质性（SD），结果显示模型在测试集的AUC达到0.905，证实了其在非侵入性评估中的潜力，为个性化治疗提供依据。

　　这项研究探讨了基于多b值扩散加权成像（DWI）的放射组学模型在评估正位肝细胞癌（HCC）异种移植小鼠模型中的血管生成和空间异质性方面的潜力。通过整合多b值DWI参数图与放射组学特征提取，研究团队构建了两个模型，分别用于区分高和低微血管密度（MVD）组以及高和低灰度标准差（SD）组。研究结果表明，这些模型在测试队列中表现出较高的判别能力，其AUC值分别为0.905（95%置信区间为0.709–1）和0.905（95%置信区间为0.737–1）。这些发现为HCC的非侵入性评估提供了新的可能性，表明放射组学模型在临床前研究和潜在临床应用中具有广阔的前景。

HCC作为一种常见的恶性肿瘤，其发病率在全球范围内持续上升，且多数病例在晚期才被诊断，这使得治疗选择受限，预后较差。血管生成和肿瘤异质性是HCC的重要病理特征，前者影响肿瘤的生长、复发和转移，后者则涉及复杂的基因、代谢、微环境等多方面因素。因此，准确评估这些特征对于HCC的治疗策略制定和预后预测至关重要。然而，传统方法如活检存在出血风险、采样误差和肿瘤播散等问题，限制了其在临床中的广泛应用。而MRI，特别是DWI，因其无创性和成本效益，成为HCC评估的首选技术。多b值DWI结合先进的后处理技术，可以提供关于HCC血管生成和细胞分布异质性的信息，为患者提供更全面的评估。

本研究中，使用了六种不同的DWI模型：IVIM（内向不一致运动）、DKI（扩散峰度成像）、SEM（拉伸指数模型）和FROC（分数阶微积分模型）。这些模型分别提供了不同的参数，如IVIM的Dt（真实扩散系数）、Dp（伪扩散系数）和f（灌注分数），DKI的MD（平均扩散系数）和MK（平均峰度），SEM的DDC（扩散系数分布）和α（异质性指数），以及FROC的D、β和μ等参数。通过对这些参数图进行放射组学特征提取，研究团队筛选出最具判别能力的特征，并通过主成分分析（PCA）进行降维处理，最终构建了两个模型用于区分高和低MVD组及高和低SD组。结果显示，这些模型在测试队列中表现出优异的性能，表明其在HCC血管生成和空间异质性评估中的潜力。

在方法学上，本研究首先建立了正位HCC异种移植小鼠模型，共纳入65只4–6周龄的雄性BALB/c裸鼠。所有实验流程均通过医院的动物伦理委员会批准，并遵循动物研究的报告标准（ARRIVE 2.0）和实验室动物护理指南。随后，对这些小鼠进行了多b值DWI扫描，并通过标准化的分割协议提取了肿瘤区域的特征。为了确保结果的客观性，研究团队采用了双盲分析，由一位有7年肝脏影像经验的放射科医生和一位有20年经验的资深放射科医生共同参与。所有特征提取和模型构建均通过uAI研究门户平台进行，该平台集成了Pyradiomics等工具，用于提取和筛选特征。

在图像分析过程中，研究团队对DWI参数图进行了详细分析，并通过统计学方法筛选出最具判别能力的特征。在训练队列中，使用了逻辑回归（LR）、随机森林（RF）和支持向量机（SVM）等算法，分别对MVD和SD进行分类。结果显示，RF在训练队列中表现最佳，AUC值达到1.000，而在测试队列中，其AUC值仍保持在0.905，显示出良好的泛化能力。此外，通过DeLong检验，研究团队发现结合RF模型在测试队列中显著优于单一参数图，进一步验证了放射组学模型的有效性。

在统计分析方面，研究团队使用了R软件进行数据处理和模型评估。通过受试者工作特征（ROC）曲线分析，计算了AUC值，作为模型判别能力的主要指标。同时，使用了校准曲线、Brier评分和Hosmer-Lemeshow检验来评估模型的可靠性。校准曲线显示模型在训练和测试队列中均与实际结果高度一致，Brier评分较低，表明预测误差较小。Hosmer-Lemeshow检验进一步确认了模型的拟合度，结果显示在测试队列中，RF模型的拟合度良好，χ2值为0.10，p值为0.749。决策曲线分析则揭示了模型在临床应用中的价值，表明在干预概率阈值超过20%时，模型能够提供显著的临床净收益。

在结果部分，研究团队发现基于多b值DWI的放射组学模型在区分高和低MVD组以及高和低SD组方面表现出色。在训练队列中，RF模型的AUC值达到0.998，远高于其他模型，而在测试队列中，其AUC值仍保持在0.905。这些结果表明，结合多个DWI模型的放射组学分析能够有效捕捉HCC的血管生成和空间异质性特征。此外，研究团队还发现，某些特定的放射组学特征，如来自MK图的第一阶最大值、来自DDC图的GLCM聚集度、来自f图的GLSZM小区域低灰度强调等，能够反映不同的病理特征，如高MVD和高异质性。

在讨论部分，研究团队指出，虽然多b值DWI衍生的放射组学模型在非侵入性评估HCC血管生成和异质性方面表现出色，但仍存在一些局限性。例如，样本量较小可能限制了模型的泛化能力，而某些放射组学特征可能未能完全捕捉到MVD和异质性的关键信息。此外，不同DWI参数图和后处理技术可能会影响模型的性能，因此需要进一步优化特征选择方法和模型架构。研究团队还提到，由于裸鼠缺乏功能性免疫系统，其HCC模型无法完全模拟人类HCC的复杂性，因此未来需要在更大的临床队列中进行验证，以确保模型的临床适用性和推广性。

尽管存在这些挑战，本研究仍为HCC的非侵入性评估提供了重要的依据。放射组学模型能够将影像特征与病理学结果联系起来，为HCC的精准治疗提供支持。未来的研究可以进一步探索如何将这些模型应用于人类患者，特别是在多中心研究中，通过标准化的DWI参数和通用的后处理软件，提高模型的稳定性和可重复性。此外，开发更先进的自动化分割工具，如基于U-Net的卷积神经网络，可以提高模型的准确性、客观性和效率。总之，这项研究为HCC的影像学评估提供了新的思路，展示了放射组学在临床前研究和潜在临床应用中的巨大潜力。