多算法影像组学机器学习模型整合超声影像与炎症免疫特征用于肝转移瘤识别的临床价值研究

《BMC Medical Imaging》：Multi-algorithm radiomics machine learning models integrating ultrasound imaging and inflammation-immune features for hepatic metastases identification

本研究针对肝转移瘤(HM)与原发性肝脏恶性肿瘤(PLMC)影像学鉴别难题，开发了整合超声影像组学特征与炎症免疫指标(PLR/PAR)的多算法机器学习模型。结果表明随机森林+梯度提升机组合模型在训练集和验证集的AUC分别达0.77和0.82，SHAP分析显示血小板-白蛋白比率(PAR)贡献度最高。该研究为HM的精准识别提供了新型影像生物学融合策略。

　　

在中国，肝癌是第四大常见癌症和第二大癌症相关死亡原因，2022年新发病例达36.77万，死亡病例31.65万。原发性肝脏恶性肿瘤(PLMC)与肝转移瘤(HM)在手术策略、系统治疗方案和预后方面存在显著差异，但由于部分重叠的组织病理学特征，两者在影像学表现上可能相似，给临床鉴别诊断带来巨大挑战。尤其值得注意的是，约25%的肝脏占位性病变为转移性肿瘤，其发病率甚至超过原发性肝癌。当HM表现为隐匿性原发肿瘤时，诊断复杂性进一步加剧。

传统视觉影像特征在区分肝脏恶性肿瘤亚型方面存在局限性。例如，肝内胆管癌(iCC)与结直肠癌肝转移(CRLM)同属腺癌病理类型，在动态增强影像中均可呈现边缘性动脉期强化、门脉/延迟期周边廓清等重叠特征。虽然超声作为肝脏癌筛查的一线影像学工具，但其在HM识别和原发灶溯源方面的应用潜力尚未充分挖掘。

Wu等人发表在《BMC Medical Imaging》的研究，创新性地将超声影像组学与炎症免疫特征相结合，构建多算法机器学习模型，旨在解决HM的精准识别难题。研究人员采用回顾性研究设计，纳入茂名市人民医院2022-2024年经超声引导活检确诊的104例肝脏恶性肿瘤患者作为训练集和内部验证集(按6:4比例随机分配)，另纳入2025年1-7月确诊的45例患者作为外部验证集。

研究关键技术方法包括：使用PyRadiomics软件包从超声图像中提取107个影像组学原始特征；采用Wilcoxon检验筛选与HM显著相关的特征；通过单变量分析确定与HM相关的炎症免疫风险特征；整合12种机器学习算法开发98个组合模型；利用SHAP方法解释特征重要性。

Clinicopathological characteristics of cohorts

研究队列包含104例患者，病理类型分布为：53例肝细胞癌(HCC)、11例肝内胆管癌(iCC)、34例HM、1例混合型肝癌(cHCC-iCC)和5例其他类型。HM原发灶来源包括：9例结直肠癌、8例肺癌、6例胰腺癌等。训练队列中HM占比32%，内部验证队列中占比33%。外部验证队列45例患者中，HM占比33%。各组基线特征无显著差异，适合后续影像组学分析。

Radiomics model development and evaluation based on combined machine learning algorithm strategy

通过ICC≥0.80的阈值，104个特征中有90个表现出强一致性和可重复性。Wilcoxon检验鉴定出15个与HM显著相关的高价值影像组学特征(P<0.001)。这些特征被输入113种算法组合，产生98个包含两个及以上特征的判别模型。最常使用的三个特征为original_glcm_JointEntropy、original_firstorder_MeanAbsoluteDeviation和original_ngtdm_Contrast。

最优模型结合随机森林(RF)特征选择和梯度提升机(GBM)算法，整合了4个特征：original_firstorder_Uniformity(纹理强度均匀性)、original_glcm_MaximumProbability(纹理强度值对出现频率)、original_gldm_GrayLevelVariance(灰度级方差)和original_ngtdm_Contrast(纹理强度对比度)。该模型在训练队列、内部验证队列和外部验证队列的AUC值分别为0.77、0.82和0.70。值得注意的是，68%(67/98)的模型表现出中等性能(平均AUC>0.73)，表明特征在多算法框架中具有稳定的利用价值。

Inflammation-immunity-related radiomics machine learning model development and evaluation

单变量分析确定血小板淋巴细胞比率(PLR)和血小板白蛋白比率(PAR)为HM的显著高风险炎症免疫特征。炎症免疫相关模型(IIM)使用逻辑回归算法开发，在训练、内部验证和外部验证队列的AUC值分别为0.72、0.71和0.54。

炎症免疫相关影像组学机器学习模型(IIRRM)整合了4个影像组学特征和2个炎症免疫指标，生成83个包含两个及以上特征的判别模型。其中GBM算法使用全部六个特征表现最优，在训练队列的AUC为0.84(敏感性0.70，特异性0.86)，在内部验证队列为0.82(敏感性0.93，特异性0.64)，在外部验证队列为0.74(敏感性0.67，特异性0.90)。

SHAP分析揭示了六个特征在GBM模型中的贡献度，PAR权重最高，其次是四个影像组学特征，PLR权重最低。校准曲线和Hosmer-Lemeshow检验显示模型在内部验证队列(P=0.85)和外部验证队列(P=0.61)具有良好校准度。决策曲线分析(DCA)表明IIRRM在内部验证队列阈值范围7%-79%和外部验证队列10%-59%内具有临床获益潜力。

Predictive potential of radiomics features for primary origins in HM

研究还探索了影像组学特征对HM原发灶的预测潜力。使用34例HM训练队列(消化系统肿瘤20例，呼吸系统肿瘤8例)和15例HM外部验证队列(消化系统肿瘤6例，呼吸系统肿瘤4例)，分别开发了55个消化系统肿瘤原发灶预测模型和45个呼吸系统肿瘤预测模型。最优算法组合对消化系统肿瘤预测在训练队列和外部验证队列的AUC分别为0.93和0.82；对呼吸系统肿瘤预测的AUC分别为0.83和0.86。

研究结论表明，超声影像组学特征在HM识别中具有重要价值，多算法集成策略有效验证了特征的稳健性。虽然整合炎症免疫特征在训练队列中提升了识别性能，但在验证队列中改善有限，可能与样本量不足有关。SHAP分析证实PAR是模型最重要的预测因子，揭示了炎症免疫指标在HM识别中的潜在作用。

该研究的创新点在于首次将多算法机器学习框架应用于超声影像组学与炎症免疫特征的融合分析，为HM的精准识别提供了新思路。然而，研究存在单中心、样本量有限、仅使用二维超声图像等局限性。未来需要通过多中心大样本研究进一步验证模型泛化能力，并结合三维重建技术、深度学习算法以及多组学数据，深化对HM影像生物学特征的理解。

这项研究为优化HM诊断治疗管理系统、推进HM患者精准治疗策略提供了重要理论基础和方法学支持，展现了影像组学与炎症免疫特征融合在肝脏肿瘤精准医疗中的广阔前景。