基于CT的放射组学-临床模型，用于预测接受肝切除术后VETC阳性HCC（肝细胞癌）患者的复发情况

《Journal of Hepatocellular Carcinoma》：CT-Based Radiomics-Clinical Model for Predicting Recurrence in VETC-Positive HCC Patients After Hepatectomy

术后复发预测 肝细胞癌 VETC模式 CT放射组学 临床模型 联合模型 淋巴结转移 肝切除术 影像特征 生存分析 诊断准确性

　　肝细胞癌（HCC）是原发性肝癌中最常见的类型，占所有肝癌病例的75%至85%，其病程进展迅速，预后较差，5年生存率通常不超过20%。尽管手术切除是早期HCC患者最推荐的治疗方式，但术后复发和转移仍然是影响患者预后的重要因素，据统计，高达80%的患者在手术后会出现肿瘤复发。因此，如何在术前准确预测HCC患者的术后复发风险，成为临床研究中的一个关键问题。

近年来，医学影像学领域出现了一种新的肿瘤特征——血管包裹肿瘤簇（VETC），这一模式在HCC中较为常见，且与肿瘤的转移能力和不良预后密切相关。与传统的上皮-间质转化（EMT）机制不同，VETC是一种独特的血管结构，它使得肿瘤细胞能够通过开放的血管进入血液循环，并被血管内皮包裹，从而形成一种新型且高效的转移方式。VETC的特征性影像表现包括肿瘤尺寸大于5厘米、肿瘤内部出现坏死或严重缺血、边缘不规则、靶样外观、肿瘤内存在动脉结构以及增强影像中出现不均匀强化和分隔或不规则环状结构等。这些影像特征提示，VETC阳性的HCC患者具有更高的复发率和更差的预后。

基于这一背景，本研究旨在构建一个基于CT影像的影像组学模型，以预测VETC阳性的HCC患者在接受肝切除术后的术后复发风险。影像组学是一种利用医学影像数据提取大量定量特征，并通过机器学习算法进行分析的新兴技术。它能够从数字化医学影像中自动获取数以千计的特征，涵盖肿瘤的形状、纹理、密度分布等多个方面，为肿瘤的生物学行为和预后提供新的视角。此外，影像组学模型还能够与临床参数相结合，进一步提高预测的准确性。

本研究采用回顾性分析方法，纳入了2016年1月至2024年1月期间在同济医学院附属协和医院接受肝切除术的HCC患者，共计243例，其中182例用于模型构建，61例用于外部验证。所有患者均接受了病理学检查以确认HCC的诊断以及VETC的阳性状态。研究中，研究人员首先对患者的门静脉期CT影像进行了肿瘤分割，并使用PyRadiomics软件提取了1316个影像组学特征。随后，通过LASSO算法筛选出最具预测价值的九个影像组学特征，并结合临床参数（如肿瘤大小和甲胎蛋白AFP水平）构建了一个影像组学-临床参数联合模型。

模型的性能评估采用了多种统计方法，包括受试者工作特征曲线（ROC曲线）、校准曲线以及决策曲线分析（DCA）。结果显示，联合模型在预测1年复发时，内部测试集的AUC值为0.898（95%置信区间：0.797–0.999），而外部测试集的AUC值为0.804（95%置信区间：0.641–0.967）。这表明该模型在不同数据集中的预测能力均较为可靠。此外，校准曲线和DCA分析进一步验证了联合模型的临床价值，显示出其在实际应用中的高净临床效益。通过将患者分为高风险和低风险组，研究团队还利用Kaplan-Meier（KM）曲线比较了两组患者的无复发生存期（RFS）。结果显示，高风险组患者的中位RFS显著低于低风险组，分别为13.5个月和30.0个月（内部测试集，P=0.004），以及13.0个月和31.0个月（外部测试集，P<0.0001）。

影像组学模型提取的九个关键特征涵盖了肿瘤的形状和纹理信息。例如，“original_shape_Flatness”这一特征反映了肿瘤的平滑程度，肿瘤边缘越不规则，越可能侵犯周围组织，从而增加复发风险。其余八个纹理特征则描述了肿瘤内部不同灰度区域的分布情况，这些特征与肿瘤的恶性程度密切相关。低灰度区域通常对应于肿瘤内的坏死或缺血区，其分布和大小与肿瘤的生长速度及侵袭性有关。在VETC阳性的HCC中，肿瘤簇被血管内皮包裹，导致血流受限，形成局部缺血，同时肿瘤的持续扩张会进一步加剧缺氧状态。这种快速生长伴随血管生成不足的状况，形成了缺氧与坏死的恶性循环，从而增加了肿瘤的复发可能性。

临床模型则基于两个关键参数：肿瘤大小和AFP水平。肿瘤大小一直是HCC预后评估的重要指标，VETC阳性的肿瘤往往更大，通常超过5厘米。研究表明，肿瘤尺寸越大，复发风险越高。AFP作为HCC的标志物，其水平升高通常提示肿瘤负荷增加和更具侵袭性的生物学行为。因此，将这两个参数纳入模型，有助于提高对术后复发的预测能力。

研究还发现，影像组学-临床联合模型的预测性能优于单独使用影像组学或临床参数的模型。在内部测试集中，联合模型的AUC值为0.898，而影像组学模型为0.830，临床模型为0.618。外部测试集中，联合模型的AUC值为0.804，影像组学模型为0.732，临床模型为0.478。这表明，将影像组学特征与临床参数相结合，能够更全面地反映肿瘤的生物学特性，从而提高预测的准确性。

值得注意的是，尽管本研究取得了良好的成果，但仍存在一些局限性。首先，研究数据主要来自单一中心，这可能影响模型的普适性。未来的研究需要在多中心背景下进行，以验证模型在不同临床环境中的适用性。其次，本研究未纳入病理影像或采用放射病理组学（radiopathomics）的方法，这可能会进一步提升模型的预测能力。最后，研究未使用深度学习方法，而近年来深度学习在医学影像分析中的应用日益广泛，未来可以考虑将深度学习与影像组学相结合，以探索更复杂的肿瘤特征和更精确的预测能力。

综上所述，本研究构建的影像组学-临床联合模型在预测VETC阳性HCC患者术后复发方面展现出较高的准确性和临床价值。该模型能够有效识别高风险患者，从而为临床医生提供个性化的治疗决策依据。然而，为了进一步提升模型的可靠性，未来的研究应关注多中心数据的验证、病理影像的整合以及深度学习技术的应用。此外，模型的推广和临床应用也需进一步探索，以确保其在实际医疗场景中的有效性和可操作性。